AiCR: Kunstig intelligens ved hjertestop (AiCR)

Den samlede forekomst af hjertestop i Europa anslås til 350.000 til 700.000 tilfælde om året. Overlevelsesraten er estimeret til 10,7 % for alle rytmeforstyrrelser tilsammen.

Der findes adskillige eksempler på AI-anvendelse inden for det medicinske område. Ting et al har udviklet et computerværktøj, der er i stand til at diagnosticere tilstedeværelsen af ​​diabetisk retinopati med fremragende kraft. Til genoplivning foreslog Celi et al. et værktøj, der er i stand til at forudsige behovet for krystalloid vaskulær fyldning under en systemisk inflammatorisk tilstand. I Nature i 2018 demonstrerede Komorowski effektiviteten af ​​AI i hæmodynamisk behandling af sepsis. I en undersøgelse af nyrernes reaktion på væskeudfordring, Zhang et al. demonstrere effektiviteten af ​​læremaskinen.

Mål: Bestemmelse af en algoritme, der er i stand til at forudsige dødeligheden af ​​patienter indlagt på intensivafdelinger (ICU) for ACR ud fra indlæggelsesrapporter (CRH). Også brug af algoritmen til at forudsige risikoen for tilbagefald af arrestationen, varigheden af ​​mekanisk ventilation, sepsis, udvikling af organsvigt, forudsigelse af CPC (Cerebral Performance Category), tid til at opnå katekolaminabstinenser, udseende af akut nyresvigt med eller uden behov for ekstrarenal oprensning (EER) og varighed under EER, den gennemsnitlige liggetid.

Dette projekt er en del af et større, landsdækkende projekt med større magt, og omfatter alle de data, der genereres under indlæggelse på intensiv.

Metode: et estimeret samlet antal patienter inkluderet i denne undersøgelse til at være mellem 300 og 500. Befolkningen vil komme fra intensivafdelingerne i Nice, Antibes, Cannes, Grasse.

Inklusion vil være retrospektiv på CRH, CR af CT-billeddannelse (cerebral og thoraco-abdomino-bækken), MR, EEG og daglige opfølgningsord fra 2014 til slutningen af ​​2020.

Efter anonymisering, anvendelse af semantisering ved hjælp af naturlig sprogbehandling (NLP) metoder. De data, der skal udtrækkes, indtastes i et dokument skrevet af intensivlæger. Disse data vil derefter blive gemt i en database. For at opfylde hovedformålet vil vi udvikle en computeralgoritme, der er i stand til at forudsige dødelighed i undersøgelsespopulationen. Denne algoritme, der er baseret på en stor database, kan designes ved hjælp af maskinlæring eller endda deep learning-teknikker afhængigt af mængden af ​​data, der skal behandles.