Kunstig intelligens ved subaraknoidal blødning (AISAH)

Patienter med aneurysmal subarachnoid blødning (aSAH) udvikler forsinket cerebral iskæmi (DCI) i omkring 30 % af tilfældene. DCI er forbundet med øget dødelighed, vedvarende neurologisk underskud samt nedsat livskvalitet. Det ville gavne både patienter og samfundet at mindske disse neurologiske skader. Et klinisk problem er, at diagnosen cerebral iskæmi hos SAH-patienter ofte er forsinket på grund af begrænsninger i overvågningsevner. Når de opdages, viser den neurologiske skade sig ofte at være irreversibel.

Adskillige undersøgelser har brugt univariat og multivariat logistisk regressionsanalyse til at identificere risikofaktorer for udvikling af forsinket cerebral iskæmi (DCI) hos patienter med subaraknoidal blødning. Disse undersøgelser er dog baseret på data indsamlet om patienterne (f.eks. alder, køn), og præcisionen af ​​disse statistiske modeller har generelt vist sig at være lav. For nylig er maskinlæringsalgoritmer til forudsigelse af DCI ved hjælp af en kombination af kliniske data og billeddata også blevet evalueret.

Forudsigelse af DCI forhindrer dog ikke DCI, for at forhindre DCI skal der udvikles et overvågningssystem, der kan advare læger om overhængende risiko for cerebral iskæmi, hvilket gør det muligt at gribe ind og forhindre cerebral iskæmi.

Variationer i det autonome nervesystem, såsom ændringer i balancen mellem det sympatiske og det parasympatiske nervesystem, kan påvises ved at bruge hjertefrekvensvariabilitet (HRV) monitorering. HRV er blevet rapporteret som en prædiktor for dårligt resultat efter traumatisk hjerneskade og slagtilfælde, inklusive subaraknoidal blødning. HRV-monitorering til påvisning af begyndende cerebral iskæmi er dog ikke blevet grundigt evalueret. I en undersøgelse af patienter med aSAH indsamlede vi HRV kontinuerligt i op til 10 dage efter indlæggelsen, men kun en lille del af HRV-dataene blev analyseret off-line. Femten ud af 55 patienter udviklede DCI i den akutte fase, og off-line analysen af ​​HRV viste, at lav/højfrekvent ratio steg mere hos patienter, der udviklede DCI (Ref). Dette førte til, at vi forsøgte at analysere alle de indsamlede HRV ved hjælp af maskinlæringsprocesser, og et samarbejde med computer/data scientists blev indledt.

Det overordnede formål med denne undersøgelse er, ved hjælp af computer/data scientist og maskinlæringsprocesser, at analysere indsamlede HRV-data for at vurdere, om der kunne findes specifikke mønstre hos patienter, der udvikler DCI i den akutte fase efter subaraknoidal blødning.