VÝVOJ ALGORITHMU UMĚLÉ INTELIGENCE K PŘEDPOVĚDÍ RIZIKA HYPOTENZIE PO VYVOLÁNÍ CÍSAŘSKÝCH ŘEZŮ SE SPINÁLNÍ Anestezií

Zdůvodnění: Císařský řez je při správné indikaci porodní metodou, která zachovává zdraví matky i dítěte. Počty porodů císařským řezem se celosvětově již léta zvyšují. Mezi lety 2010 a 2018 bylo 21,1 % celosvětově sledovaných porodů provedeno císařským řezem. Podle Světové zdravotnické organizace (WHO) se očekává, že tato míra poroste a do roku 2030 dosáhne 29 %.

Anestezii u císařského řezu zásadně ovlivňují jak fyziologické, tak patologické změny navozené těhotenstvím v těle matky. Změny, ke kterým dochází během těhotenství a porodu, az nich vyplývající rozdíly mohou pro anesteziology představovat výzvy.

Ve vyspělých zemích bylo 78 % elektivních císařských řezů provedeno ve spinální anestezii, což z něj činí nejpoužívanější techniku ​​anesteziologů. Spinální anestezie indukuje iatrogenní blokádu sympatiku, snižuje systémovou vaskulární rezistenci spolu s arteriální a venózní vazodilatací, což vede k hypotenzi. Incidence hypotenze po spinální anestezii u těhotných žen se pohybuje od 7,4 % do 74 %, jak uvádí Klöhr et al. Frekvence hypotenze je vyšší u těhotných žen v důsledku faktorů, jako je syndrom hypotenze na zádech způsobený kompresí dolní duté žíly plodu a rozvojem kolaterálního žilního plexu v epidurální oblasti, což vede k vzestupu intratekálního lokálního anestetika do mozkomíšního moku. Prohloubení hypotenze a bradykardie u pacientky může vést k srdečnímu kolapsu, hypoxii plodu a acidóze, což představuje nepředvídatelné riziko pro zdraví matky i plodu. Úlohou anesteziologů je tomuto rizikovému stavu předcházet nebo jej efektivně zvládat.

Nedávné pokroky v hlubokém učení a umělé inteligenci (AI) našly své místo v oblasti anestezie. Aplikace umělé inteligence v anestezii lze kategorizovat do pěti hlavních oblastí: 1) Monitorování hloubky anestezie (např. techniky analyzující data EEG během anestezie), 2) Kontrola podávání anestetika na základě hloubky anestezie, 3) Predikce události, 4) Ultrazvukové vedení a 5) Léčba bolesti.

Z těchto aplikací je pro anesteziology zvláště kritická předpověď událostí. Vědět o události dříve, než k ní dojde, přispívá k její prevenci nebo umožňuje přesnější řízení. V literatuře existuje 53 studií používajících AI pro predikci událostí, včetně studií vyvíjejících algoritmy pro predikci hypotenze během operace a validujících tyto algoritmy. Čím se tento projekt odlišuje od stávajících studií:

Tyto studie nebyly speciálně vyvinuty k predikci hypotenze vyvolané spinální anestezií během císařských řezů.

Tyto studie většinou využívaly vlnovou analýzu (neinvazivní nebo invazivní) pro predikci hypotenze. V tomto projektu nebude tento přístup použit. Budou provedena předoperační vyšetření a budou zaznamenány charakteristiky pacienta. Výsledný algoritmus proto nebude dynamickým algoritmem pro vstup dat v reálném čase.

Snadné zaznamenávání předoperačních charakteristik, absence potřeby invazivního arteriálního monitorování a potenciál použitelnosti činí vývoj algoritmu praktičtějším. Vyvinutý algoritmus bude praktický pro použití.

Algoritmus, který má být trénován, bude, podobně jako studie Hatiba et al., uvádět riziko hypotenze v procentech.

AI a její podmnožina, algoritmy strojového učení, ovlivňují každý aspekt našeho života. V lékařské oblasti se stala metodou, zejména při snižování lidských chyb v klinickém rozhodování.

V této studii budou u těhotných žen podstupujících spinální anestezii systematicky zaznamenávány demografické informace, vitální funkce, specifické krevní parametry a určité charakteristiky související s podáváním spinální anestezie. Krevní parametry zahrnují kompletní krevní obraz, sérové ​​elektrolyty, hladiny jaterních enzymů (ALT/AST) a Syndecan-1. Všechny krevní parametry jsou uvedeny v původním protokolu studie. Syndekan-1 je molekula vylučovaná do séra s degradací nebo poškozením vaskulární endoteliální glykokalyxové vrstvy. Zejména stoupá při objemové zátěži, sepsi nebo zánětlivých procesech. Sérové ​​hladiny syndekanu-1 se zvyšují v průběhu týdnů těhotenství, přičemž k nejvýznamnějšímu nárůstu dochází mezi 20. a 30. týdnem. Pokud se preeklampsie rozvine v pozdějších fázích těhotenství, hladiny syndekanu-1 se snižují.

Hladiny syndekanu-1 u hypertenzních těhotenství se významně nemění ve srovnání s normálními těhotenstvími, ale byly pozorovány rozdíly v hladinách syndekanu-1 v přítomnosti preeklampsie. Proto, jak je uvedeno v části metod, nebudou do studie zahrnuty těhotné ženy s hypertenzí a preeklampsií.

Ve studii zkoumající předoperační a pooperační hladiny Syndecanu-1 u pacientek po císařském řezu, které podstoupily spinální anestezii, byl zjištěn významný rozdíl. Studie dospěla k závěru, že předoperační profylaktické podání bolusu tekutiny ovlivnilo degradaci endoteliálních glykokalyx. Na základě této studie má Syndecan-1 teoretický potenciál být novým markerem pro predikci hypotenze. Přestože byl Syndekan-1 u těhotných žen studován již dříve, v literatuře neexistuje žádná studie, která by zkoumala vztah mezi předoperačními hladinami Syndekanu-1 a hypotenzí během spinální anestezie u pacientek s císařským řezem. Tato studie bude zkoumat vztah mezi Syndekanem-1 a hypotenzí a zhodnotí její místo ve vyvinutém algoritmu.

Po zaznamenání počátečních údajů pro každého pacienta bude vývoj hypotenze pozorován a dokumentován. Shromážděná data budou analyzována za účelem zkoumání vztahů mezi výskytem nebo nevyskytnutím hypotenze po indukci. Navíc bude na základě těchto dat vyvinut algoritmus umělé inteligence. Primárním cílem je vyvinout algoritmus. Během studie nedojde k žádným změnám v řízení anestezie u těhotných žen.

V této souvislosti si vyvinutý algoritmus klade za cíl včasnou identifikaci hypotenze způsobené spinální anestezií (predikce rizika hypotenze před zahájením operace) a umožnit včasné zahájení léčby.

Metoda:

Doba projektu: Etický souhlas projektu udělila Etická rada pro neintervenční klinický výzkum univerzity Hacettepe. Projekt je plánován na období od listopadu 2023 do dubna 2024.

Metodika a nástroje sběru dat projektu:

Údaje o pacientech splňujících kritéria pro zařazení na operačním sále budou získány z výsledků rutinních testů zaslaných po hospitalizaci k císařskému řezu, předoperačních pozorovacích formulářů sestry a záznamů vitálních funkcí sledovaných anestezií během operace. Po převozu pacienta na operační sál vyplní údaje ve Formuláři sběru dat anesteziolog. Doba trvání hypotenze po spinální anestezii začíná u těhotných žen ihned po podání anestezie a nejnižší úrovně dosahuje přibližně za 10-15 minut. Je známo, že se vrátí k normálu během 20-30 minut. Délka trvání hypotenze se však může lišit v závislosti na faktorech, jako je gestační věk, dávka anestezie, celkový zdravotní stav pacientky a další faktory. Zejména u těhotných žen s vysokými dávkami anestezie nebo hypertenzí může být trvání hypotenze delší. Délku trvání hypotenze je proto potřeba hodnotit u každého pacienta individuálně. V této studii je však preferováno pozorování po dobu prvních 15 minut. Tato preference je učiněna, protože algoritmus předpovídá spinální hypotenzi na základě předoperačních charakteristik. S prodlouženou dobou pozorování, výskytem porodu, zvýšením srdečního výdeje a zahájením infuze oxytocinu během operace je hemodynamika složitou situací ovlivněnou více nezávislými faktory. Sběr dat skončí po prvních 15 minutách a hypotenze vyskytující se po 15. minutě nebude pro studii zaznamenána; pozorování bude ukončeno.

Sběr dat projektu:

Před odvozem pacientů na operační sál bude odebráno dostatečné množství krve z rutinních předporodních vzorků krve odebraných pacientovi na krevní parametry. Kromě Syndecanu-1 jsou ostatní parametry krevních parametrů rutinní testy běžně prováděné v biochemických laboratořích Fakultní nemocnice Hacettepe.

Při měření syndekanu-1 budou měření absorbance prováděna pomocí zařízení SpectraMax-M2 (Molecular Devices, USA) umístěného na katedře biochemie na Hacettepe University. Následně budou pomocí programu GraphPad Prism vypočteny hladiny syndekanu-1 v séru na základě standardního grafu. Pořízení nezbytných souprav ELISA pro měření syndekanu-1 bude provedeno prostřednictvím finančních prostředků získaných od Úřadu pro vědecký výzkum a projekty univerzity Hacettepe.

Analýza dat:

Ve všech krocích vývoje algoritmu bude použit programovací jazyk Python. Proces vývoje algoritmu umělé inteligence se bude řídit pokyny pro vývoj a vykazování prediktivních modelů strojového učení v biomedicínském výzkumu: pokyny pro multidisciplinární pohled. Postup je následující:

• Sběr dat: Data budou zaznamenána vyplněním formuláře pro sběr dat.
• Zpracování dat: Po sběru dat budou data zpracována a budou náhodně rozdělena na tréninková data a interní validační data. Data budou vyčištěna od artefaktů a chybných čtení.
• Anotace: Data budou označena pro klasifikaci umělé inteligence a bude anotována definice hypotenze. Budou provedeny studie s cílem určit potenciál detekce hypotenze pomocí umělé inteligence.
• Výběr funkcí: Budou vybrány funkce, které v nejvyšší míře předpovídají anotované události. Pro tento proces bude použit jeden nebo více algoritmů pro výběr funkcí a funkce budou vybrány na základě úspěchu dosaženého v modelech.
• Vytvoření modelu: Budou vybrány nejrelevantnější prvky v datech a bude vyvinut model. K získání základních výkonnostních poměrů budou použity základní klasifikační algoritmy, jako jsou K-Nearest Neighbors, Support Vector Machines (SVM), Decision Trees, Random Forest, běžně používané pro klasifikační procesy v literatuře. Následně bude vyvinuta metoda hlubokého učení a bude zkoumán výkonnostní rozdíl mezi navrženou metodou a základními metodami

Křížová validace: Výkon původní verze modelu bude opakovaně podroben křížové validaci s podskupinami dat, které model nikdy předtím neviděl. To určí výkon modelu zkoumáním změn výkonu, jak se data mění. V závislosti na velikosti dat budou použity metody 10násobné křížové validace nebo 5násobné křížové validace.

Interní validace: Prediktivní výkon algoritmu trénovaného pomocí trénovacích dat bude posouzen pomocí interních validačních dat, se kterými se nikdy nesetkal.

Kromě procesu vývoje algoritmu, pokud jsou srovnávané proměnné normálně rozděleny, statistické testy, jako je ANOVA; Na základě počtu porovnávaných skupin a analýzy normálního rozdělení proměnných bude použit Studentův t-test a Mann-Whitney U test. Pearsonova korelační analýza a Spearmanova korelační analýza budou použity k analýze vztahu mezi hodnotami hypotenze a dalšími spojitými parametry na základě analýzy normálního rozdělení proměnných. Kromě toho bude testována předvídatelnost systému pomocí citlivosti, specifičnosti, pozitivní prediktivní hodnoty (PPV), negativní prediktivní hodnoty (NPV), poměru šancí (OR), poměru rizika (RR), provozní křivky přijímače a plochy pod křivkou. (AUROC) a testy Pearsonova korelačního koeficientu (r). Bude přijata hladina statistické významnosti p<0,05. Pro statistickou analýzu bude použit software Statistical Packages for the Social Sciences v26.0 (SPSS Inc., Chicago, IL).