CAVA Multicenter Dizziness Trial (CAVA 2)

Detta är en multicenterdiagnostisk noggrannhetsstudie med ett rekryteringsmål på 255 vuxna deltagare. Rekrytering kommer att ske på tio platser i Storbritannien under två år. För att vara berättigade måste deltagarna ha en befintlig diagnos av Ménières sjukdom, vestibulär migrän eller BPPV. Studien kommer att rekrytera åttiofem deltagare med varje tillstånd. Varje patients diagnos kommer att utgöra "referensstandarden" som senare kommer att jämföras med en automatiserad datordiagnos.

Varje deltagare kommer att bära CAVA-enheten nästan oavbrutet i trettio dagar. Enheten kommer att registrera alla ögon- och huvudrörelser under denna tid, inklusive under alla episoder av svindel. När en patient upplever en episod av svindel, kommer de att uppmanas att aktivera en händelsemarkör på CAVA-enheten och föra en skriftlig journal över attackens början och varaktighet i en dagbok. Även om denna manuella loggning inte kommer att förlitas på för algoritmutveckling, kommer hela 30 dagars data att användas för att upptäcka perioder av ögonrörelser i samband med yrsel.

Utredarna kommer att utveckla datoralgoritmer som använder data som fångas av CAVA-enheterna för att skilja mellan tre målförhållanden. Dessa algoritmer kommer att bygga på de algoritmer som har utvecklats under det nuvarande MRC-anslaget som har gett utmärkta resultat.10,11,17. Algoritmerna använder neurala nätverk för djupinlärning (DNN) i en så kallad 'end-to-end'-metod. I detta tillvägagångssätt tar ett nätverk med flera lager som indata "rå" tidsdomändata och matar ut ett klassificeringsbeslut utan att använda några explicita mellanliggande representationer av signalen (såsom signalentropi, effekt, skevhet, kurtos etc.). End-to-end-tillvägagångssätt, som vanligtvis använder alternerande sekvenser av faltning och poolande lager, helt anslutna lager, autokodare och LSTM-lager (Long Short Term Memory) har visat sig överträffa traditionella metoder i fall där stora mängder träning data finns tillgängliga. De ger dock liten insikt i hur de fungerar (d.v.s. vilka funktioner i signalen som är viktiga för klassificering). Det kommer därför också att övervägas att utveckla metoder där mellanrepresentationer genereras och sedan använda dessa indatafunktioner för att testa en rad klassificerare (t.ex. förstärkta träd, slumpmässiga skogar, logistisk regression, stödvektormaskiner etc.).

Algoritmernas prestanda kommer att bedömas med hjälp av "leave-one-out cross-validation"-tekniken, vilket är det vanliga sättet att utvärdera klassificerare.22 I denna teknik sätts data från en enskild patient åt sidan och återstående data från de andra patienterna används för att "träna" klassificeraren. En algoritm kommer att hänvisas till som är tränad att särskilja de tre villkoren som en "klassificerare". Klassificeraren testas sedan på avsatta data: testprocessen består av att jämföra klassificerarens förutsagda diagnos ('Ménières sjukdom', 'vestibulär migrän' eller 'BPPV') med den sanna diagnosen (referensstandardetiketten). Denna process upprepas och tar bort en annan patients data varje gång, vilket ger en automatisk diagnos för alla 255 patienter. Även om det är beräkningsmässigt dyrt, säkerställer detta att klassificeraren inte har "sett" under träningen data från patienten som den testar, vilket skulle påverka dess beslut. Det överensstämmer också nära det verkliga scenariot med en ny patient som presenterar sin läkare och en diagnos ställs på grundval av deras erfarenheter av andra patienter.

Studien kommer att presentera känsligheten och specificiteten för att diagnostisera vart och ett av de tre måltillstånden och Receiver Operator Curves (ROCs), som visar hur den diagnostiska noggrannheten förändras för olika klassificeringströsklar.

Målförhållandena har olika incidens. Att återspegla denna obalans i denna studies statistiska beräkningar skulle kräva många tusen patienter med de vanligaste av dessa tillstånd. Man tror att detta inte skulle vara ekonomiskt lönsamt och inte skulle ge mervärde till studien. De erhållna resultaten kommer att vara tillräckligt robusta för att visa systemets effektivitet och den förväntade upptäcktshastigheten för varje sjukdom.

En hälsoekonom (HE) kommer att bedöma de potentiella resurserna, ekonomiska besparingarna och patientfördelarna med en diagnostisk väg som innehåller CAVA jämfört med befintliga vägar. Studiedesignen säkerställer att lämplig datainsamling är inbäddad i studien för den ekonomiska utvärderingen. En tidig kostnadseffektivitetsmodell kommer att utvecklas med hjälp av retrospektiv patientdata (t.ex. historia, antal tester och sjukhusbesök). Modellen kommer att avslöja de potentiella besparingarna och fördelarna med CAVAs prediktiva algoritmer vid olika hypotetiska trösklar för diagnostisk noggrannhet jämfört med en standard diagnostisk väg. En kontrafaktisk väg för diagnos med CAVA-enheten kommer att utvecklas mot standarden för vanlig vård för tillfället, för att informera om de mest sannolika potentiella ekonomiska fördelarna.

En kommersialiseringskonsult kommer att övervaka en portfölj av arbete för att stödja kommersialiseringen av CAVA-systemet. De kommer att ta fram en marknadstillträdesplan som beskriver CAVAs väg till kommersialisering och bekräftar CAVAs placering inom befintliga NHS-vägar och hur den skulle implementeras. Utredarna kommer att bygga vidare på det tidigare fokusgruppsarbetet med ett intressentevenemang som involverar proffs, patienter och IT-intressenter från NHS-organisationer. Utredarna kommer att identifiera de frågor som är viktiga för intressenter angående genomförbarheten av adoption inom NHS och kommer att etablera stöd för adoption. Ett PPI-evenemang kommer att hållas för att granska de interimistiska resultaten från försöket och ett offentligt spridningsevenemang för att dela resultaten med allmänheten. Under hela projektet kommer potentiella licenser att anlitas.