AiCR: Umělá inteligence při srdeční zástavě (AiCR)

Celkový výskyt zástavy srdce a dýchání v Evropě se odhaduje na 350 000 až 700 000 případů ročně. Míra přežití se odhaduje na 10,7 % pro všechny poruchy rytmu dohromady.

Existuje několik příkladů použití umělé inteligence v lékařské oblasti. Ting et al vyvinuli počítačový nástroj schopný diagnostikovat přítomnost diabetické retinopatie s vynikajícím výkonem. Při resuscitaci Celi et al navrhli nástroj schopný předpovědět potřebu krystaloidní vaskulární výplně během systémového zánětlivého stavu. V Nature v roce 2018 Komorowski prokázal účinnost AI v hemodynamickém řízení sepse. Ve studii renální reakce na expozici tekutinou Zhang et al. prokázat efektivitu výukového stroje.

Cíle: Stanovení algoritmu schopného predikovat mortalitu pacientů přijatých na jednotky intenzivní péče (JIP) pro ACR z hlášení o hospitalizaci (CRH). Také použití algoritmu k predikci rizika recidivy zástavy, trvání mechanické ventilace, výskytu sepse, rozvoje orgánového selhání, predikce CPC (Cerebral Performance Category), doby k získání katecholaminů, výskytu akutního selhání ledvin s nebo bez potřeby extrarenální purifikace (EER) a trvání pod EER, průměrná délka pobytu.

Tento projekt je součástí většího celostátního projektu s větší silou a zahrnuje všechna data generovaná během hospitalizace na jednotce intenzivní péče.

Metoda: odhadovaný celkový počet pacientů zahrnutých do této studie je mezi 300 a 500. Obyvatelstvo bude pocházet z jednotek intenzivní péče v Nice, Antibes, Cannes, Grasse.

Zařazení bude retrospektivní, na CRH, CR CT zobrazení (cerebrální a torako-abdomino-pánevní), MRI, EEG a denní kontroly od roku 2014 do konce roku 2020.

Po anonymizaci aplikace sémantizace pomocí metod zpracování přirozeného jazyka (NLP). Údaje, které mají být extrahovány, se zapisují do dokumentu sepsaného lékaři intenzivní péče. Tato data budou následně uložena v databázi. Pro splnění hlavního cíle vyvineme počítačový algoritmus schopný predikovat úmrtnost ve studované populaci. Tento algoritmus, založený na velké databázi, může být navržen pomocí strojového učení nebo dokonce technik hlubokého učení v závislosti na množství zpracovávaných dat.