脊髓型颈椎病的机器学习诊断与预测 (MCM)

1. 介绍

   1.1 背景

   脊髓型颈椎病 (CSM) 是一种脊髓病理，最终导致颈脊髓进行性受压。 它是全球脊髓病变最常见的原因之一，可能对患者的生活质量造成重大不利影响（Merali 等人，2019 年）。 目前 CSM 的金标准治疗是手术减压，恢复功能并提高生活质量；然而，手术减压并不能使所有患者受益。 鉴于这种二分法，很明显，正确识别适合手术的患者、避免不适合的患者避免不必要的手术风险至关重要。 脊柱外科医生必须分析大量患者数据，包括放射学和临床参数，以正确地对患者进行分层。 然而，每个参数应该如何加权以及是否所有预测参数都已被识别仍然难以捉摸。 此外，尽早诊断 CSM 至关重要，因为据报道，与晚期相比，如果在疾病早期诊断，手术结果会显着改善。 据报道，与后期相比，在 CSM 过程的早期阶段进行的更成功 (Baron & Young, 2007)。 已经确定了有助于早期检测的放射学参数，包括弥散张量成像和增加的 MRI T2 加权图像密度，但是这些参数已被证明具有低灵敏度 (15-65%)，并且已经通过传统的、非-深度学习统计方法，由于固有的统计局限性，很可能遗漏了显着参数。 机器学习是当前数据建模和分析的统计黄金标准。 它结合了计算机科学和统计学以产生最大的预测准确性。 最近，机器学习越来越多地成功应用于医学和外科研究，以预测各种情况下的疾病和治疗结果，产生优于传统统计方法的结果。 继续，除了放射学体征外，一些临床体征如霍夫曼征已被确定以帮助早期诊断脊髓型颈椎病（Denno＆Meadows，1991），但是临床预测因子的发现很少，问题仍然是它们与放射学相比如何和生化生物标志物以及是否存在未确定的临床预测因子。 梅拉利等人。使用机器学习模型结合临床和生化参数来创建整体预测模型，但他们没有包括放射学参数，并且主要关注治疗结果而不是早期诊断。 因此，本研究旨在填补文献空白并分析所有关键患者数据，即放射学、生化和临床数据，以检测与早期脊髓型颈椎病诊断和治疗结果以及疾病进展分层相关的新预测因子和权衡现有预测因子。

   最近的三项研究着眼于 CSM 背景下的机器学习。 首先，Merali 等人。 (2019) 调查了机器学习在预测 CSM 患者手术结果中的应用。 他们的模型表现良好，但它没有考虑任何放射成像，这是本研究的一个重大限制，因为成像提供了关键线索，特别是对于 CSM 的早期诊断。 此外，在创建机器学习模型时，作者未能创建供临床医生使用的基于机器学习模型的工具。 第二项研究，也是由 Merali 等人进行的。 (2021) 将机器学习应用于放射成像以检测 CSM 病理。 该模型再次表现相当不错，但只包括确诊的 CSM 患者，这是一个巨大的限制。 关键是要包括早期 CSM 患者，以分析机器学习模型与传统方法相比在预测方面的表现，以及它是否有助于早期检测。 此外，这两项研究本质上都是回顾性的，这意味着机器学习模型与传统方法之间无法进行比较。 霍普金斯等人。 (2019) 分析了机器学习在 CSM 诊断而非预测中的应用。 然而，这项研究的一个重要局限是他只使用了放射学成像，完全忽略了临床和生化参数。 事实上，Merali 等人。 (2019) 在他们的分析中也完全忽略了生化参数。 潜在地，这是必须探索的 CSM 发病机制和诊断中一个重要的未探索变量。 总而言之，研究着眼于机器学习以在 CSM 中进行诊断和预测，但是它们有严重的局限性，仅着眼于诊断途径的片段。 为此，鉴于关于 CSM 疾病进展和治疗结果的诊断和预测共享大量完全相同的变量，因此合乎逻辑且有必要将它们一起分析，而不是在单独的研究中进行。 此外，有必要包括放射学、临床和生化变量，以实现接近最佳的机器学习模型，因为这些是临床医生也可以访问的工具，以作为其诊断和预测的基础。 因此，本研究将在诊断背景下使用机器学习检查放射学-临床-生化变量，以及对疾病进展和治疗结果的预测。 接下来，所有研究都未能检验机器学习在早期诊断中的应用。 由于早期诊断对于提高治疗结果至关重要，因此这是文献中的一个巨大空白，本研究旨在通过纳入轻度 CSM 病例，重点关注有助于早期检测 CSM 的变量来填补这一空白。 最终，没有一项研究使用基于患者的 QOL 评估（即 JOACMEQ) 作为结果变量可能比 mJOA 更重要。

   总之，到目前为止，关于 CSM 和治疗结果预测主题的研究的局限性在于它们仅使用 mJOA 作为结果变量，而不是使用基于患者的 JOACMEQ。 这是一个巨大的局限性，因为最终只有患者才能主观地评估和评估治疗结果。 至于 CSM 的早期诊断主题，还没有任何研究探讨过这个主题。

   1.2 当前研究的基本原理

   目标

   这项研究的总体目标是创建两个基于放射学、临床和生化变量的预测机器学习模型，使脊柱外科医生能够更早、更准确地诊断 CSM，并允许他们为患者提供高度个性化和准确的诊断关于治疗结果的预测信息。

   假设

   当结合已知的生物标志物时，有未确定的患者特征、生化、放射学和临床参数可以帮助早期诊断和预测脊髓型颈椎病的治疗。 这些模式可以通过有监督和无监督的机器学习以及多元线性回归来识别和加权。 随后，可以使用嵌套交叉验证对机器学习模型进行训练，以实现最佳拟合，同时避免过度拟合，以预测脊髓型颈椎病的诊断。最终，可以为全科医生和脊柱外科医生开发一种即时护理工具，以帮助早期发现脊髓型颈椎病，预测脊髓型颈椎病患者的治疗结局。 关于治疗结果和疾病进展的机器学习预测被假设比临床医生当前的预测能力准确得多。

   风险和收益

   风险：检查期间的潜在不适。 这将通过在检查前询问疼痛和使用温和的检查技术来减轻。 通过找到对患者方便的时间，可以减轻潜在的不便。

   好处：如果他们在手术后症状复发，我们的机器学习模型和算法可以帮助他们的治疗神经外科医生早期诊断脊髓型颈椎病的复发，并更准确地预测他们是否会从再次手术中获益，或者他们是否会受益取而代之的是保守的管理。

   患者将不会因参加本研究而获得任何付款、费用报销或任何其他福利或奖励，也不会收到任何超出正常工资的个人付款，或任何其他福利或奖励，以及首席调查员或任何其他调查员/合作者没有任何直接的个人参与（例如 财务、持股、个人关系等）在赞助或资助研究的组织中，可能会引起利益冲突。

   研究参与者将不会因参与本研究而获得任何付款、费用报销或任何其他好处或奖励。

2. 学习目标

目标

CSM的早期诊断

1. 通过使用回顾性问卷，并可能通过机器学习模式检测或多元线性回归对生化、放射学和临床数据进行回顾性分析，根据个体患者报告的症状确定脊髓型颈椎病诊断的早期临床预测因子。
2. 将机器学习模型或多元回归分析的结果转化为可用于临床的评分系统或机器学习工具，将患者分为不太可能、中等可能或高度可能患有 CSM 组，以帮助早期临床诊断和预防不必要地使用成像。

CSM的治疗结果预测

1. 前瞻性地跟踪一组 CSM 患者，收集尽可能多的相关临床、生化和放射学自变量，以及之前使用 JOACMEQ 问卷和 mJOA 作为结果变量。 自变量和结果变量的关系将通过常规方法和机器学习进行分析。
2. 建立和训练机器学习模型以准确预测确诊患者的治疗结果。
3. 以机器学习模型为基础设计评分工具或护理点算法，可在临床上将患者评分为不太可能、中等可能或高度可能成为 CSM 手术反应者，以帮助适当管理 CSM患者。

3. 研究设计

研究类型：非随机前瞻性和回顾性队列研究 持续时间：前瞻性：治疗前、治疗后 3 个月和 6 个月（至少 18 个月）的观察结果。

追溯：至少过去 2 年。 患者人数：大约 300 名（100 名前瞻性患者，200 名回顾性患者）。

该样本是根据过去对帝国理工学院 NHS 医疗保健信托基金的脊髓型颈椎病患者的估计确定的，用于前瞻性研究。 至少 18 个月内在帝国理工学院 NHS 医疗保健信托基金接受治疗的 100 名脊髓型颈椎病患者在未来至少 18 个月内接受治疗，以及在过去 2 年中接受 ICHT 治疗的至少 100 名患者，以及来自 Hounslow 和 Hounslow 的一个社区 MSK 团队诊断为阴性的 100 名患者Richmond Community Healthcare NHS Trust，位于 Imperial College Healthcare NHS Trust Neurosurgery 的服务区。 考虑到机器学习方法，这个样本量可能看起来太小而无法保持准确性（如此处全面解释：https://www.fharrell.com/post/ml-sample-size/ )，但是已经采取了适当的措施来确保高精度，同时避免过度拟合。 对于机器学习，已经表明嵌套交叉验证 (NCV) 不受样本量小的偏差的影响，事实上它不会对样本量变化做出线性正向或负向响应，保持非常准确和稳健（Vabalas 等人., 2019). 因此，我们将使用 NCV。 此外，n=100 和 n=200 的样本量分别由大量特征特征进一步加强（前瞻性研究为 250+，[取决于 CMSK 数据清洁度]为 10-50，参见两个问卷） ，这对模型准确性有显着的积极影响（Vabalas 等人，2019 年）数据指标：通过临床检查收集的信息和通过电话、术前以及术后 3 个月和 6 个月进行的回顾性问卷调查收集的信息。 随附的问卷“脊髓型颈椎病治疗结果问卷”记录了与合并症和症状相关的信息。 除了重点心血管检查外，检查还将是彻底的神经系统检查。 来自现有血液标志物或来自 GP 记录的生化血液标志物，无论本试验如何，这些都已经或将要进行。 作为 CSM 诊断检查的一部分，将从常规 MRI 和颈椎 X 光检查中获取放射学结果。回顾性问卷“CSM 早期诊断问卷”包含将通过电话回顾性收集的所有问题。 此外，来自社区 MSK 团队的患者、最终诊断为 CM 的患者和接受 CM 查询检查的患者，将收集他们来自本地 SystemOne 数据库的临床、生化和放射学数据进行分析和比较。

模型将使用 R 中的 Shiny 数据包转换为基于 Web 的护理点治疗结果预测工具。数据和所有适当的文档将按照 Trust 政策存储，包括随访期。

3.1 研究结果测量 mJOA 评分和 JOACMEQ 评分是研究前瞻性组的结果测量。 对手术的良好反应是在 3 个月和 6 个月时 mJOA 评分提高 1 分。 脊髓型颈椎病的放射学确认是回顾性组的结果测量。