Maskininlärningsdiagnos och förutsägelse för cervikal myelopati (MCM)

1. INTRODUKTION

   1.1 BAKGRUND

   Cervikal spondylotisk myelopati (CSM) är en patologi i ryggmärgen som kulminerar i progressiv kompression av den cervikala ryggmärgen. Det är en av de vanligaste orsakerna till ryggmärgspatologi globalt och kan resultera i betydande skadliga effekter på patienters livskvalitet (Merali et al., 2019). Den nuvarande guldstandardbehandlingen för CSM är kirurgisk dekompression, som återställer funktionen och förbättrar livskvaliteten; kirurgisk dekompression gynnar dock inte alla patienter. Med tanke på denna dikotomi är det uppenbart att det är avgörande att korrekt identifiera patienter som är lämpliga för operation, för att bespara olämpliga patienter från onödiga risker med operation. Ryggkirurger måste analysera stora mängder patientdata, inklusive radiologiska och kliniska parametrar, för att korrekt stratifiera patienter. Det förblir dock svårfångat hur varje parameter ska viktas och om alla prediktiva parametrar har identifierats. Vidare är det avgörande att diagnosen CSM ställs så tidigt som möjligt, eftersom kirurgiska resultat har rapporterats vara avsevärt förbättrade om diagnosen diagnostiseras i ett tidigt sjukdomsstadium jämfört med ett sent stadium. som utfördes i tidigare skeden under loppet av CSM rapporterades vara mer framgångsrika jämfört med senare skede (Baron & Young, 2007). Radiologiska parametrar som kan hjälpa till med tidig upptäckt har identifierats, inklusive diffusionstensoravbildning och ökad densitet av MRI T2-vägda bilder, men dessa parametrar har visat sig ha låg känslighet (15-65 %) och har erhållits med konventionella, icke -Deep-learning statistiska metoder, som med stor sannolikhet har missat framträdande parametrar på grund av inneboende statistiska begränsningar. Maskininlärning är den nuvarande statistiska guldstandarden för datamodellering och analys. Den kombinerar datavetenskap och statistik för att ge maximal prediktiv precision. På senare tid har maskininlärning i allt större utsträckning och framgångsrikt tillämpats på medicinsk och kirurgisk forskning för att förutsäga sjukdoms- och behandlingsresultat för olika tillstånd, vilket ger överlägsna resultat jämfört med konventionella statistiska metoder. För att fortsätta, förutom radiologiska tecken, har vissa kliniska tecken, såsom Hoffmans tecken, identifierats för att hjälpa till vid tidig diagnos av cervikal myelopati (Denno & Meadows, 1991), men resultaten av kliniska prediktorer är sparsamma och frågan kvarstår hur de kan jämföras med radiologiska och biokemiska biomarkörer och om det finns oidentifierade kliniska prediktorer. Merali et al. använde en maskininlärningsmodell för att kombinera kliniska och biokemiska parametrar för att skapa en holistisk prediktiv modell, men de misslyckades med att inkludera radiologiska parametrar, samt fokuserade främst på behandlingsresultat snarare än tidig diagnos. Därför syftar denna studie till att fylla luckan i litteraturen och analysera alla centrala patientdata, nämligen radiologiska, biokemiska och kliniska, för att upptäcka nya och väga befintliga prediktorer som är relevanta för tidig cervikal myelopatidiagnos och behandlingsresultat, såväl som stratifiering av sjukdomens framsteg.

   Tre nyare studier har tittat på maskininlärning i samband med CSM. För det första, Merali et al. (2019) undersökte användningen av maskininlärning för att förutsäga kirurgiska resultat hos patienter med CSM. Deras modell fungerade bra, men den tog inte hänsyn till någon radiologisk avbildning, vilket är en betydande begränsning för denna studie, eftersom avbildning ger centrala ledtrådar särskilt för tidig diagnos av CSM. Dessutom, när de skapade en maskininlärningsmodell, misslyckades författarna med att skapa ett verktyg för kliniker att använda som är baserat på maskininlärningsmodellen. Den andra studien, också av Merali et al. (2021) tillämpade maskininlärning på radiologisk avbildning för detektion av CSM-patologi. Modellen fungerade återigen ganska bra, men endast bekräftade CSM-patienter inkluderades, vilket är en enorm begränsning. Det är avgörande att inkludera CSM-patienter i tidigt skede för att analysera hur maskininlärningsmodellen presterar jämfört med konventionella metoder när det gäller förutsägelse, och om den kan hjälpa till med tidig upptäckt. Dessutom var båda studierna retrospektiva, vilket innebär att ingen jämförelse mellan maskininlärningsmodell och konventionella metoder skulle ha varit möjlig. Hopkins et al. (2019) analyserade användningen av maskininlärning i diagnosen, snarare än förutsägelsen, av CSM. En viktig begränsning av denna studie är dock att han endast använde radiologisk avbildning, vilket helt försummade kliniska och biokemiska parametrar. Faktum är att Merali et al. (2019) försummade också helt biokemiska parametrar i sin analys. Potentiellt är detta en viktig outforskad variabel i patogenesen och diagnosen av CSM som måste utforskas. Sammanfattningsvis har studier tittat på maskininlärning för att diagnostisera och göra förutsägelser i CSM, men de har allvarliga begränsningar för att bara titta på fragment av den diagnostiska vägen. För detta ändamål, med tanke på att diagnosen och förutsägelserna om CSM-sjukdomsprogression och behandlingsresultat delar en mängd exakt samma variabler, är det logiskt och nödvändigt att analysera dem tillsammans, snarare än i separata studier. Dessutom är det nödvändigt att inkludera radiologiska, men också kliniska och biokemiska variabler för att uppnå en nästan optimal maskininlärningsmodell, eftersom dessa är de verktyg som en kliniker också skulle ha tillgång till för att basera sina diagnoser och förutsägelser. Därför kommer denna studie att undersöka radiologiska-kliniska-biokemiska variabler med maskininlärning i samband med diagnos, såväl som förutsägelser om sjukdomsprogression och behandlingsresultat. Därefter misslyckades alla studier med att undersöka användningen av maskininlärning för tidig diagnos. Eftersom tidig diagnos är avgörande för att förbättra behandlingsresultatet, är detta en enorm lucka i litteraturen, som denna forskningsstudie syftar till att fylla, genom att fokusera på variabler som underlättar tidig upptäckt av CSM genom att inkludera milda CSM-fall. I slutändan har ingen av studierna använt patientbaserad QOL-bedömning (dvs. JOACMEQ) som resultatvariabel som kan vara viktigare än mJOA.

   Sammanfattningsvis Begränsningarna för studier på ämnet CSM och förutsägelse av behandlingsresultat har hittills varit att de endast använt mJOA som resultatvariabel istället för att använda den patientbaserade JOACMEQ. Detta är en enorm begränsning, eftersom i slutändan endast patienten kan subjektivt bedöma och utvärdera resultatet av behandlingen. När det gäller ämnet tidig diagnos av CSM, har det inte gjorts några studier som undersökt detta ämne överhuvudtaget.

   1.2 MOTIVERING FÖR NUVARANDE STUDIE

   MÅL

   Det övergripande syftet med denna forskningsstudie är att skapa två prediktiva maskininlärningsmodeller som är baserade på radiologiska, kliniska och biokemiska variabler, vilket gör det möjligt för ryggradskirurger att diagnostisera CSM tidigare och mer exakt, samt att de kan ge patienterna mycket individualiserade och exakta prediktiv information om behandlingsresultat.

   HYPOTESER

   Det finns oidentifierade patientegenskaper, biokemiska, radiologiska och kliniska parametrar som kan hjälpa till vid tidig diagnos och behandlingsförutsägelse av cervikal myelopati i kombination med redan kända biomarkörer. Dessa mönster kan identifieras och viktas med övervakad och oövervakad maskininlärning, såväl som multivariat linjär regression. Därefter kan maskininlärningsmodellen tränas med kapslad korsvalidering för att uppnå optimal passform, samtidigt som man undviker överanpassning, för att förutsäga cervikal myelopatidiagnos. I slutändan kan ett point-of-care-verktyg utvecklas för allmänläkare och ryggradskirurger för att hjälpa till med tidig upptäckt av cervikal myelopati och förutsägelse av behandlingsresultat för patienter med cervikal myelopati. Maskininlärningsförutsägelserna avseende behandlingsresultat och sjukdomsprogression antas vara betydligt mer exakta än läkares nuvarande prediktionsförmåga.

   RISKER OCH FÖRDELAR

   Risker: Potentiellt obehag vid undersökning. Detta kommer att mildras genom att be om smärta före undersökningen och använda skonsamma undersökningstekniker. Potentiella olägenheter kommer att mildras genom att hitta en tid som är lämplig för patienten.

   Fördel: I händelse av återkommande symtom efter operationen kan vår maskininlärningsmodell och algoritm hjälpa deras behandlande neurokirurger att diagnostisera återfall av cervikal myelopati i ett tidigt skede och mer exakt förutsäga om de kommer att dra nytta av operationen igen, eller om de skulle ha nytta av operationen igen. från konservativ ledning istället.

   Patienter kommer inte att få några betalningar, ersättning för utgifter eller andra förmåner eller incitament för att delta i denna forskning, inte någon personlig betalning utöver normal lön, eller några andra förmåner eller incitament, och chefsutredaren eller någon annan utredare/samarbetspartner inte har något direkt personligt engagemang (t.ex. finansiellt, aktieinnehav, personlig relation etc.) i de organisationer som sponsrar eller finansierar forskningen som kan ge upphov till en eventuell intressekonflikt.

   Forskningsdeltagare kommer inte att få några betalningar, ersättning för utgifter eller andra förmåner eller incitament för att delta i denna forskning.

2. STUDIEMÅL

MÅL

Tidig diagnos av CSM

1. Att identifiera tidiga kliniska prediktorer för cervikal myelopatidiagnos baserat på individuella patientrapporterade symtom genom att använda ett retrospektivt frågeformulär, och eventuellt retrospektiv analys av biokemiska, radiologiska och kliniska data med hjälp av mönsterdetektering med maskininlärning, alternativt multivariat linjär regression.
2. Att omvandla resultaten av en maskininlärningsmodell eller multivariat regressionsanalys till ett poängsystem eller maskininlärningsverktyg som kan användas kliniskt för att poängsätta patienter till icke-sannolika, måttligt sannolika eller hög sannolikhet att ha CSM-grupper för att underlätta tidig klinisk diagnos och förebygga onödig användning av bildbehandling.

Behandlingsresultat förutsägelse av CSM

1. Att prospektivt följa en kohort av CSM-patienter som samlar in så många relevanta kliniska, biokemiska och radiologiskt oberoende variabler som möjligt, samt att använda JOACMEQ-enkäten och mJOA före, som utfallsvariabler. Relationen mellan oberoende och utfallsvariabler kommer att analyseras med hjälp av konventionella metoder och maskininlärning.
2. Att bygga och träna en maskininlärningsmodell för att exakt förutsäga behandlingsresultat hos diagnostiserade patienter.
3. Att använda maskininlärningsmodellen som bas för att designa ett poängverktyg eller point-of-care-algoritm som kan användas kliniskt för att poängsätta patienter till icke-sannolikt, måttligt sannolikt eller hög sannolikt att vara CSM-kirurgi-responderare för att underlätta lämplig hantering av CSM patienter.

3. STUDIEDESIGN

Typ av studie: Icke-randomiserad prospektiv och retrospektiv kohortstudie Varaktighet: Prospektiv: Observationer vid förbehandling, efterbehandling vid 3 månader och 6 månader (minst 18 månader).

Retrospektiv: Minst senaste 2 åren. Patientantal: Cirka 300 (100 blivande, 200 retrospektiva patienter).

Detta prov bestämdes baserat på uppskattningar av patienter med cervikal myelopati vid Imperial College NHS Healthcare Trust tidigare för prospektiv studie. 100 cervikal myelopatipatienter som behandlats vid Imperial College NHS Healthcare Trust under de följande 18 månaderna minst för blivande arm, såväl som 100 patienter som behandlats under de senaste 2 åren minst i ICHT, och 100 patienter med negativ diagnos från ett enda Community MSK-team från Hounslow och Richmond Community Healthcare NHS Trust, som ligger i upptagningsområdet för Imperial College Healthcare NHS Trust Neurosurgery. Med tanke på maskininlärningsmetoden kan denna provstorlek tyckas vara för liten för att bibehålla noggrannhet (som utförligt förklarat här: https://www.fharrell.com/post/ml-sample-size/ ), men lämpliga åtgärder har vidtagits för att säkerställa hög noggrannhet samtidigt som man undviker övermontering. För maskininlärning har det visat sig att kapslad korsvalidering (NCV) inte påverkas av bias på grund av små urvalsstorlekar, i själva verket reagerar den inte linjärt positivt eller negativt på förändringar i urvalsstorleken, förblir mycket exakt och robust (Vabalas et al. ., 2019). Därför kommer vi att använda NCV. Dessutom stärks urvalsstorleken på n=100 respektive n=200 ytterligare av det stora antalet karakteristiska egenskaper (250+ för den prospektiva studien, 10-50 för [beroende på CMSK-datarenhet] se båda frågeformulären) , vilket har en signifikant positiv inverkan på modellens noggrannhet (Vabalas et al. 2019) Datamått: Information insamlad genom klinisk undersökning och frågeformulär utförda retrospektivt över telefon, före operation och 3 och 6 månader efter operation. I det bifogade frågeformuläret "Cervical myelopathy treatment outcome questionnaire" finns information om komorbiditeter och symtom. Undersökningen kommer att vara en noggrann neurologisk undersökning utöver en fokuserad hjärt-kärlundersökning. Biokemiska blodmarkörer från befintliga blodmarkörer eller från GPs register, som har utförts eller skulle ha utförts oavsett denna prövning. Radiologiska fynd kommer att tas från rutinmässiga MRT och cervikal ryggröntgen som utförs som en del av CSM diagnostiken. Det retrospektiva frågeformuläret "CSM early diagnosis questionnaire" innehåller alla frågor som kommer att samlas in retrospektivt via telefon. Dessutom kommer patienter från samhällets MSK-team, de som så småningom diagnostiserats med CM och de som undersöks för CM-fråga, deras kliniska, biokemiska och radiologiska data från de lokala SystemOne-databaserna att samlas in för analys och jämförelse.

Modellen kommer att omvandlas till ett webbaserat verktyg för att förutsäga behandlingsresultat för behandlingsresultat med hjälp av Shiny-paketet i R. Data och all lämplig dokumentation kommer att lagras enligt Trust policy, inklusive uppföljningsperioden.

3.1 ÅTGÄRDER FÖR STUDIERESULTAT mJOA-poängen och JOACMEQ-poängen är resultatmåtten för studiens blivande arm. Bra svar på operation är en 1-punkts förbättring av mJOA-poäng efter 3 och 6 månader. Radiologisk bekräftelse av cervikal myelopati är utfallsmåttet för den retrospektiva armen.