Название исследования

Полное название.
Проспективное наблюдательное исследование по разработке и валидизации модели прогноза заживления венозных трофических язв в зависимости от ряда предикторов

Сокращенное название.
МодЕль проГноза зАживления веНОзных тРофических язв: МЕГАНОР

Англоязычное название.
Developing and validating a multivariable prediction model for predicting the healing of venous ulcers: a prospective observational study

ID: RRT_CVD 7.020

Исследовательская группа

(1) ООО «Медицинский центр Елены Малышевой», Москва.
(2) ООО «Эстетмед».
(3) Хирургическая клиника ООО «Медальп», Санкт-Петербург.

Обоснование исследования

Цель исследования

Материалы и методы

• Стандартное лечение: консервативное лечение язвы (+ при необходимости операция на поверхностных венах)
• Специальное лечение: операция на язве (shave therapy, шейв-операция) + консервативное лечение язвы (+ при необходимости операция на поверхностных венах)
  

1. До начала лечения прогнозируется приемлемый результат стандартного лечения (язва заживет в течение 3 мес. стандартного лечения). Целесообразно консервативное лечение язвы (без шейв-операции при условии устранения варикозного расширения вен).
2. До начала лечения прогнозируется неприемлемый результат стандартного лечения (язва не заживет в течение 3 мес стандартного лечения). Целесообразно при старте лечения пациента провести шейв-операцию.
3. До начала лечения невозможно составить прогноз. Необходима оценка язвы в промежуточном сроке (4 нед) и принятие решения по результату этой оценки (продолжение стандартного лечения при удовлетворительной динамике заживления язвы и проведение шейв-операции при недостаточной динамике).

Критерии включения пациентов в исследование

− возраст старше 18 лет;
− наличие венозной трофической язвы (C6 или C6r в классификации CEAP);
− мобильность и общее состояние здоровья позволяют проходить лечение амбулаторно;
− информированное согласие на участие в наблюдательном исследовании;

План исследования

Пациенты последовательно включаются в исследование в соответствии с критериями включения. Набор пациентов ведется до достижения минимального расчетного объема выборки. Объем выборки может быть увеличен при анализе поведения модели по мере поступления новых данных.
На визите включения (визит 0) собираются все доступные данные по списку предикторов. Отсутствующие на момент включения в исследования данные могут быть получены и внесены по ходу исследования (например, данные по предиктору №19 («состояние проксимального сегмента венозного русла»). Запланировано 3 контрольных визита с интервалом в 1 мес со сбором данных по переменным предикторам. На любом этапе лечения лечащий врач исходя из своей оценки клинической ситуации может предложить пациенту и провести шейв-операцию. Наблюдение за исследуемыми пациентами проводится до полного заживления язвы. После 3 мес наблюдения контрольные визиты назначаются лечащим врачом произвольно, на визите фиксируются данные по переменным предикторам.

Список предикторов

Объем выборки

Статистический анализ.

2.1. Контроль внесения данных, подразумевающий оценку корректности внесения данных как с целью поиска выбросов в данных
2.2. Построение промежуточных отчётов по качеству данных (оценка наличия выбросов, оценка распределения переменных, корреляции)
2.3. Построение промежуточных отчётов разведочного анализа данных (скрипичные диаграммы, ящики с усами, описательные характеристики выборки, промежуточный кластерный анализ)
2.4. Корректировка описания данных, при необходимости дополнение исходного набора переменных
2.5. Оценка достаточности выборки, необходимости дополнительного набора данных по сегментам
2.6. Оценка дрейфа данных

3.1. Окончательная очистка данных, контроль выбросов
3.2. Разведочный анализ данных, формирование предварительного отчёта (согласно протоколу анализа данных Zuur at all. [13].
3.3. Отчёт по разведочному анализу данных, дополнительные статистические тесты, рассматривающиеся как возможные к применению:

a) тест Манна-Уитни-Уилкоксона;
b) точный тест Фишера;
c) тест МакНемара;
d) тест Брунера-Мюнцеля [14];
e) тесты на различия в медианах и средних [15];
f) робастная статистика [16];

a) Fuzzy C-Means
b) Gaussian Mixed Models (R Language, библиотека mclust);
c) Self-Organizing Maps (SOM, самоорганизующиеся карты Кохонена);
d) Прочие алгоритмы, в зависимости от получаемой структуры данных;

4.1. Построение моделей с использованием возможностей KNIME Analytics Platform и языка программирования R. В качестве алгоритмов для моделирования рассматриваются:

a) Деревья решений и алгоритмы, построенные на их основе как для задач классификации, так и для задач регрессии (Decision Tree, Random Forest);
b) Градиентный бустинг;
c) Классический регрессионный анализ;
d) Рассматривается возможность применения Kolmogorov-Arnold Networks [17];
e) Рассматривается возможность применения конформного прогнозирования [18];
f) Прочие алгоритмы, в зависимости от получаемой структуры набора данных.

4.2. Применение классических нейронных систем не рассматривается в силу относительно небольшого планируемого размера набора данных.
4.3. Для оптимизации гиперпараметров моделей в случае задачи классификации будет использована каппа Коэна, в случае регрессионных моделей — RMSE и MAPE. В случае модели бинарной классификации подгонка порогового значения вероятности отнесения к классу будет проводиться для максимизации значения каппы Коэна.
4.4. Оценка качества моделей будет проводиться в соответствии с классическими методами, включающими kxn кросс-валидацию и оценку качества модели на тестовой выборке, отслеживаемые критерии качества:

a) Для задачи классификации: каппа Коэна (как основной критерий качества), чувствительность, специфичность, F-measure
b) Для задач регрессионного анализа: RMSE (как основной критерий качества), MAPE, MAE
c) Результаты конформного прогнозирования оцениваются в соответствии с принятыми для данного типа (Efficiency, Validity)

4.5. В результате выполнения этапа формируется отчёт, содержащий описание наилучших моделей, особенностей их построения, гиперпараметры.

5.1. Отобранные модели оцениваются с точки зрения поставленной задачи и удобства их применения на основе отчёта предыдущего этапа.
5.2. Проводится дополнительное исследование отдельных кейсов с использованием методик XAI (Explanable Artifical Intelligence) [19]. Предпочтительные методики: LIME и Shapley Values.

6.1. Формирования потока KNIME и формирования приложения на основе KNIME Server [20].
6.2. Создание web-приложения с использованием библиотеки Shiny.
6.3. Создание прикладного десктопного/мобильного приложения.

Список литературы