Systém kofaktoru analgezie s podporou umělé inteligence (SEASCAPE)

Hodnocení bolesti během celkové anestezie (GA) představuje významnou klinickou výzvu, protože přímé hodnocení bolesti je nemožné kvůli potlačení vědomých reakcí. V důsledku toho musí klinici interpretovat velké množství nepřímých fyziologických údajů (tepová frekvence, krevní tlak, EEG, kožní vodivost), aby určili úroveň nocicepce - procesu detekce škodlivých podnětů nervovým systémem - s údaji zachycenými z více, často nezávislých monitorů.

Tato manuální metoda je vnitřně neefektivní a náchylná k chybám v úsudku. Výsledkem tohoto nedostatku je suboptimální zvládání bolesti, kdy nadměrné nebo nedostatečné dávkování opioidů zvyšuje riziko závažných nežádoucích příhod, jako je chronifikace bolesti. To představuje problém veřejného zdraví, který způsobuje invaliditu a významné zhoršení kvality života. Příležitost ke zlepšení tohoto řízení spočívá v integraci dat prostřednictvím pokročilých technologií. Ačkoli existují farmakokinetické/farmakodynamické (PK/PD) modely pro odhad individualizovaných dávek opioidů, samy o sobě jsou nedostatečné. Jejich validace se primárně opírala o parametry EEG, aniž by zohledňovala celkovou komplexitu fyziologických proměnných zapojených do nocicepce. Informační mezera a inherentní neefektivita současného manuálního procesu otevírají dveře disruptivnímu řešení: vývoji kopilotního systému založeného na strojovém učení (ML)/AI, rámovaného v linii biotechnologie pro řešení globálních výzev.

Tento projekt navrhuje využít příležitosti ML k vývoji kopilotního systému schopného inteligentně integrovat remifentanilový PK/PD model s daty v reálném čase z více monitorů (hemodynamické, EEG, neuromuskulární relaxace a nocicepce). Řešení si klade za cíl individualizovanou optimalizaci zvládání bolesti, minimalizaci rizika nevhodného dávkování. Implementace této technologie je zásadní, protože selhání by prodloužilo neefektivitu a obrovské výdaje spojené se špatnými klinickými výsledky. Naopak, tento systém slibuje zlepšení pooperačních výsledků, jako je snížení výskytu perzistentní bolesti, a generování přímého pozitivního dopadu na náklady na zdravotní péči a kvalitu péče.

Klinický kopilot SEASCAPE usiluje o integraci dat v reálném čase z multiparametrových monitorů, EEG, TOF (Train-of-Four), ANI (Analgesia Nociception Index), ventilátorů a infuzních pump prostřednictvím platformy Mindray m-Connect.

Asistence při rozhodování klasifikací nocicepce a generováním prioritních upozornění ("zvýšit", "zachovat" nebo "snížit" dávku remifentanilu).

Personalizace analgezie pomocí PK/PD TCI modelů přizpůsobených individuálním proměnným, konkrétně rozlišování mezi nocicepcí, hypnózou a svalovou relaxací.

Mezi jeho konkurenční výhody patří skutečná interoperabilita, proveditelná klinická podpora, pokročilá personalizace a pozitivní operační a klinický dopad. Tento dopad umožňuje snížení pooperačních komplikací, zkrácení chirurgických časů a optimalizaci správy lůžek.

Projekt zvažuje ochranu algoritmu, softwaru a rozhraní prostřednictvím patentu a autorských práv a licenční smlouvu s Mindray pro použití m-Connect, podporovanou Ředitelstvím pro transfer a rozvoj UC. Shrnutím, SEASCAPE nabízí inovativní řešení, kombinující AI, personalizaci a klinickou podporu v reálném čase, s jasným plánem pro validaci a škálování směrem k trhu.

Identifikace vzorců nocicepce: Identifikovat odlišné vzorce nocicepce analýzou změn napříč více fyziologickými a farmakologickými proměnnými, včetně hemodynamických parametrů, údajů elektroencefalogramu (EEG), variability ANI, parametrů mechanického ventilátoru a odhadované dávky remifentanilu odvozené z Eleveldova modelu řízené infuze (TCI) PK/PD.

Diferenciace anestetického stavu: Identifikovat vzorce, které spolehlivě rozlišují mezi stavy nedostatečné hloubky anestezie a nedostatečné svalové relaxace, využitím změn v hemodynamických parametrech, EEG a údajích ventilátoru. Tyto vzorce budou validovány pomocí sériového neuromuskulárního monitorování (např. TOF) a podané dávky neuromuskulárního blokujícího činidla.

Hodnocení klinické použitelnosti: Určit míru použitelnosti (UX), silné stránky, slabiny a příležitosti ke zlepšení rozhraní kpilotního systému SEASCAPE z perspektivy koncových uživatelů (anesteziologů).

Vývoj kpilotního systému je strukturován jako prospektivní observační design napříč třemi fázemi:

Fáze 1: Počáteční prospektivní observační kohortová studie (N=30) Design: Prospektivní observační kohortová studie, dodržující směrnice STROBE. Populace: 30 pacientů plánovaných na chirurgický zákrok v celkové anestezii, stratifikovaných podle věku: 10 pacientů (0-18 let), 10 pacientů (19-60 let) a 10 pacientů (nad 60 let).

Sběr dat: Shromažďování demografických údajů, vitálních funkcí, ventilačních parametrů, farmakologických údajů (Eleveldův remifentanilový PK/PD model), monitorování svalové relaxace, údajů ANI a údajů EEG.

Účel: Vygenerovat počáteční datový pipeline pro kpilotní systém s označenými změnami a podněty ověřenými předem stanovenými chirurgickými časovými body pro následnou analýzu.

Fáze 2: Rozšířená prospektivní observační kohortová studie (N=100) Design: Prospektivní observační kohortová studie, dodržující směrnice STROBE. Populace: 100 dalších pacientů, stratifikovaných podle dvou anestetických technik: Totální intravenózní anestezie (TIVA) a inhalační anestezie (Anestezie s plyny).

Účel: Vygenerovat větší datovou sadu pro trénování kpilotního systému. Cílem je, aby systém úspěšně předpovídal tendenci doporučení pro podávání remifentanilu:

Doporučení zvýšit podávání remifentanilu. Doporučení zachovat současné podávání remifentanilu. Doporučení snížit podávání remifentanilu. Fáze 3: Deskriptivní prospektivní observační studie (N=20) Design: Deskriptivní prospektivní observační studie, následující směrnice STROBE, zaměřená na lidské faktory a použitelnost.

Populace: Očekávaná účast 20 anesteziologů (z celkového počtu 35 ve vývojovém centru).

Účel: Shromáždit proměnné související s anestetickým klinickým prostředím z perspektivy anesteziologů, identifikovat silné stránky, slabiny a příležitosti ke zlepšení navrhovaného rozhraní.

Vývoj rozhraní: Grafické rozhraní bude postaveno pomocí procesu designu zaměřeného na uživatele (UCD), včetně vytváření wireframů, wireflow a low-fidelity prototypů (např. ve Figmě) pro zajištění přístupné, funkční a vizuálně koherentní platformy, která usnadňuje intuitivní interakci.

Registrace dat Elektivní chirurgičtí pacienti (nebo jejich zákonní zástupci) splňující inkluzní kritéria budou pozváni k účasti a podepíší dokumentaci informovaného souhlasu. Demografické údaje budou zaznamenány. Známé nociceptivní podněty budou zavedeny pro poskytnutí kontrolovaného referenčního bodu pro validaci systému bez modifikace standardního klinického postupu dohlížejícího anesteziologa.

Výpočet velikosti vzorku Pro první fázi bylo stanoveno 30 případů. Pro druhou fázi je vyžadováno sto pacientů. Tento výpočet zohledňuje potenciální ztráty způsobené neúplnými nebo neexistujícími záznamy, délkou chirurgického zákroku přesahující dvě hodiny a analýzou 16 proměnných. n=20 anesteziologů pro Fázi 3.

Registrace dat Pro získání výzkumných údajů budou elektivní chirurgičtí pacienti (nebo jejich zákonní zástupci), kteří splňují inkluzní kritéria a neprezentují vylučovací kritéria, pozváni k účasti. Nábor bude proveden buď v den přijetí do předoperační jednotky nebo den před plánovanou operací. Při přijetí budou shromážděny obecné údaje a dokumentace bude podepsána podle procesu informovaného souhlasu.

Demografické údaje (věk, hmotnost, výška a pohlaví) budou registrovány a budou stanoveny známé nociceptivní podněty. To je zamýšleno pro kontrast běžných akcí kliniků a stanovení standardu bez modifikace obvyklého postupu anesteziologa zodpovědného za případ.