Självadministrerad fjärrneurologisk undersökning med mobilapplikation hos patienter med hjärntumörer (NEMO)

Mobilapplikationen "Iskhaa" kommer att utvecklas i samarbete med Electronics Division, Bhabha Atomic Research Centre (BARC). Applikationen kommer att vara kompatibel med Android version 8.0 eller senare. Mjukvaran kommer att ha två komponenter - mobilapplikation (för patienter och vårdgivare) och en skrivbordsapplikation (för vårdgivare). Data som registreras med appen kommer att lagras på en säker sjukhusserver som är tillgänglig via sjukhusnätverket. Ett urval av olika kliniska funktioner som ska registreras av applikationen finns i Bilaga A. Mobilapplikationen kommer initialt att utvecklas på engelska och därefter översättas till hindi, marathi och bengali i uppgraderade versioner under de första 3-6 månaderna. Förinspelade videor kommer att användas för att vägleda patienterna i att upprepa de handlingar som kommer att spelas in för neurologisk undersökning. Exempel på sådana instruktioner inkluderar tal (patienten ombedd att tala fasta meningar), gång, t.ex. gå 20 steg, tandemgång för att kontrollera cerebellumfunktion, lyfta individuella lemmar, etc. Dessutom kommer European Organisation for Research and Treatment of Cancer (EORTC) livskvalitetsfrågeformulär (QLQ-C30) och hjärncancermodul (BN20) att finnas tillgängliga i mobilapplikationen. De inspelade symtomen kommer att lagras i en säker databas, och studiens utredare kommer att ha tillgång att granska dem med antingen mobil- eller skrivbordsapplikationer. När en bedömning (antingen på plats eller på plats) är slutförd kommer data att uppdateras elektroniskt på den centrala platsen som finns på Tata Memorial Centre, och utredaren kommer att få en påminnelse. Versionsuppgradering för bättre förbättring av applikationsgränssnittet för bättre användarefterlevnad och mjukvaruuppdateringar kommer att göras regelbundet efter behov. Ett prov på applikationsgränssnittet finns i diagrammet nedan.

Patienter över 5 år med diagnos hjärntumör, som har en förväntad livslängd på mer än 6 månader och som kan följa instruktionerna för mobilapplikationen kommer att screenas för studien. De kommer att rekryteras efter att ha undertecknat ett skriftligt samtycke eller assentformulär som lämpligt. Den inledande fasen av studien kommer att inkludera en bedömning på plats av 100 patienter som kommer att behöva använda mobilapplikationen för att bedöma symtom och spela in videor för neurologisk funktionsbedömning. I denna fas kommer applikationen att installeras på specifika mobiler (som inte tillhör patienten). Efter att ha utfört utvärderingen kommer alla patienter att utvärderas av den ansvarige läkaren på kliniken, som kommer att följa standardprotokoll. En detaljerad neurologisk undersökning kommer att genomföras för att täcka alla aspekter av symtomen och funktionsbedömningen som finns tillgängliga i mobilapplikationen. Det primära syftet med utvärderingen på plats är att ge teknisk support för applikationsanvändning av det interna teamet innan installation på mobila enheter för patienter för att möjliggöra en sömlös övergång och användning. Den andra fasen av bedömningen kommer att inkludera 500 patienter som kommer att utföra den virtuella undersökningen (på distans). Mobilapplikationen kommer att installeras på individuella telefoner när samtycke erhålls för studiedeltagande. Patienter kommer att behöva genomgå månatliga bedömningar hemma med påminnelser inställda för att utföra de aktuella utvärderingarna, och de kommer att påminnas per telefon vid försening med att genomföra bedömningen med 7 dagar. Patienter och vårdgivare kommer att kunna spela in och ladda upp videon med mobilkameran. Dessutom kommer patienter att instrueras att genomgå självbedömningar (oplanerade) vid symtomförsämring. Patienter kommer att fortsätta uppföljning på kliniken för fysisk utvärdering var 3-6 månader enligt standard institutionell praxis och bildtagning schemalagd var 6-12 månader specifikt för den histologiska diagnosen eller som kliniskt påbjuden vid neurologisk försämring som beslutas av den ansvarige läkaren utan något inflytande av studiedeltagandet.

Alla slutförda data kommer att vara tillgängliga för studiens utredare att hämta. Symtomatologibedömningen kommer att presenteras som beskrivande statistik och seriella förändringar kommer att analyseras. Data som registreras med appen kommer att korreleras med läkarens bedömning under varje klinikbesök. Beräkningsanalys kommer att utföras för alla enskilda uppgifter som patienten utfört och registrerat i videoformat. Neurologisk funktion (t.ex. gång och rörelse) kommer att registreras med artificiell intelligens-algoritmer med en hybridmodell som kombinerar konvolutionella neurala nätverk (CNN) och vision transformers (ViT). Videodata kommer att genomgå förbehandlingssteg för att extrahera relevanta funktioner, såsom silhuetter, skelettrepresentationer eller posenyckelpunkter, med hjälp av avancerade pose estimation-verktyg som OpenPose. Varje bildruta kommer att bearbetas av en CNN-backbone, såsom ResNet eller EfficientNet, för att extrahera lågnivå spatiala funktioner. Dessa funktioner kommer sedan att matas in i en Vision Transformer-modul, som kommer att modellera globala tidsberoenden över sekvensen av bildrutor, vilket ger en robust representation av patientens gång. Detta kombinerade ramverk kommer att möjliggöra detektering av subtila avvikelser, abnormaliteter eller variationer i gång, vilket är kritiskt för klinisk övervakning. Modellen kommer att tränas och valideras med hjälp av videodata från olika patientpopulationer och kliniska scenarier. Genom att utnyttja granulariteten i höghastighetsinspelning kommer modellen att sträva efter att leverera högprecisionsutdata såsom gångklassificering, avvikelsedetektering eller parameterregression skräddarsydd för applikationernas specifika behov. Integrationen av state-of-the-art-tekniker, såsom 3D Vision Transformers för förbättrad spatiotemporanalys, kommer att säkerställa modellens robusthet och generaliserbarhet. Dessutom kommer förklarbar AI (XAI)-metodologi att införlivas för att tolka modellens förutsägelser, vilket ger handlingsbara insikter och främjar förtroende för systemet.