AI-řízená predikce a léčba srdeční zástavy

Náhlá srdeční zástava (SCA) zůstává hlavní příčinou úmrtnosti ve Spojených státech. I přes významné snahy o zlepšení výsledků resuscitace zůstává přežití nízké. Navíc je SCA často prvním projevem základního srdečního onemocnění, po kterém přeživší typicky trpí sekundárním chronickým kardiovaskulárním a neurologickým onemocněním v důsledku primárního poškození. Resuscitace po SCA je zahájena u pacientů trpících život ohrožujícími arytmiemi, obvykle komorovou tachykardií/fibrilací (VT/VF) nebo elektrickou aktivitou bez pulsu (PEA), která je při úspěchu následována návratem spontánní cirkulace (ROSC). Toto však běžně následují opakované zástavy kvůli buď VT/VF, PEA nebo asystolii. Důležité je, že mechanismy VT/VF a PEA se výrazně liší a protokolizovaná, nesměrovaná léčba může zhoršit výsledky. V současnosti se léčba typicky zahajuje až po opakované zástavě a bez ohledu na jedinečné osobní charakteristiky pacienta nebo charakteristiky zástavy, což jsou faktory známé jako prediktory výsledků srdeční zástavy. Nedávné studie ukázaly, že rychlejší a cílenější léčebná odpověď (tj. kratší doba do léčby specifické pro typ opakované zástavy) při srdeční zástavě může výrazně zlepšit přežití a následné chronické následky po SCA. Schopnost předpovědět výskyt srdeční zástavy nebo opakované zástavy a její příčinu (tj. VT/VF a PEA) by tedy mohla vést k časné personalizované terapii a nakonec zlepšit výsledky resuscitace, což je dlouhodobý translační cíl tohoto úsilí. Navíc by časná intervence mohla být kritická ve venkovských komunitách, kde jsou doby přepravy k definitivní nemocniční péči dlouhé a zdroje jsou omezené.

V probíhající práci pozorovali výzkumníci nedávno u pacientů záchranné služby (EMS), že přidání klinických parametrů (např. věk, primární typ zástavy) k rysům odvozeným z T-vlny EKG v modelu strojového učení (ML) zlepšuje přesnost predikce VT/VF a PEA (>90 %). Výzkumníci navrhují proveditelnostní studii ML-řízené predikce opakované zástavy. Celková hypotéza je, že biomarker EKG kombinovaný s klinickými rysy může předpovědět opakovanou zástavu a její příčinu (VT/VF nebo PEA), což výrazně zlepší dobu do léčby a akutní a chronické výsledky srdeční zástavy. Výzkumníci dále předpokládají, že taková technologie může být snadno přijata a úspěšně implementována záchranáři. Výzkumníci plánují dvě vzájemně propojené klinické studie, jednu observační studii v simulované srdeční zástavě a druhou observační studii u pacientů EMS. Následující specifické cíle otestují tyto hypotézy.

Cíl 1. Určit výkonnost a spokojenost koncových uživatelů s plně automatizovaným zařízením pro ML-řízenou predikci opakované zástavy pomocí simulovaných scénářů srdeční zástavy. Poskytovatelé pohotovostní péče budou studováni v simulovaných scénářích resuscitace v reálném čase s použitím skutečných záznamů EKG opakované zástavy, aby byly identifikovány překážky a usnadňující faktory implementace a přijetí technologie, stejně jako spokojenost poskytovatelů a vnímaná hodnota intervence. Toho bude dosaženo stanovením metrik výkonnosti poskytovatelů (např. zahájení ML-řízených terapií) a použitím kvalitativních nástrojů k posouzení zapojení, důvěry a vnímané užitečnosti koncových uživatelů. Tyto studie poskytnou základní data pro implementaci a škálovatelnost technologie jak pro klinickou studii, tak pro budoucí schválení FDA a regulačními orgány.

Cíl 2. Otestovat přesnost vícerozměrného ML modelu pro predikci výskytu opakované zástavy a jejího typu (VT/VF vs. PEA) v reálném čase a dopad na dobu do léčby v observační klinické studii pacientů se srdeční zástavou. Využitím probíhající spolupráce s Clevelandem a komunitní EMS výzkumníci zařadí pacienty EMS se srdeční zástavou a budou pozorovat výskyt opakované zástavy v důkazní observační validační studii. Bude stanovena přesnost plně automatizovaného ML modelu pro predikci opakované zástavy a jejího typu, ale léčebné vedení v této fázi testováno nebude. Poskytovatelé budou zaslepeni k výstupu ML a ML nebude řídit léčbu. Offline bude přesnost predikce a odhadovaná doba do ML-řízeného léčebného rozhodnutí porovnána se skutečným typem opakované zástavy a časem léčby. Tyto výsledky poskytnou předběžné údaje o bezpečnosti a přesnosti, odhady velikosti vzorku a procesy náboru a informovaného souhlasu pro budoucí randomizovanou kontrolovanou klinickou studii testující ML-řízené léčby opakované zástavy.