Klinisk resultatmodellering af hurtig dynamik ved akut slagtilfælde

Slagtilfælde - stadig den næsthyppigste dødsårsag og hovedårsag til neurologiske handicap hos voksne i den vestlige verden - er karakteriseret ved hurtige ændringer over tid og markant variation i udfald. En patient kan forbedres eller forværres i løbet af få minutter, og det resulterende handicap kan variere fra en åbenlys fuldstændig lammelse til subtil, opgaveafhængig inkoordinering af et enkelt lem.

I modsætning til mange andre neurologiske lidelser kan slagtilfælde være udsøgt følsomme over for hurtig og intelligent skræddersyet behandling, hvilket belønner innovation i leveringen af ​​pleje med en konkret indvirkning på patienternes resultater i den virkelige verden. Optimal behandling kræver derfor både detaljeret karakterisering af patientens kliniske billede og dens forandringsmønster over tid.

Nok det vigtigste aspekt af patientens kliniske billede - kropsbevægelse - forbliver bemærkelsesværdigt dårligt dokumenteret: kun kvantificeret subjektivt og med sjældne intervaller i patientens kliniske udvikling. Kombinationen af ​​kunstig intelligens med højtydende databehandling muliggør nu automatisk udtrækning af en patients skeletramme opløst ned til større led, som f.eks. en stick-man, for at blive leveret enkelt, sikkert og billigt uden brug af besværlig kropsslidt markører. Centralt for denne teknologi er patientens privatliv, hvor skeletrammen er udtrukket i realtid, hvilket sikrer, at ingen videodata, hvorfra patienter kan identificeres, lagres eller overføres af enheden.

Vores bevægelseskategoriseringssystem - MoCat - vil blive brugt til at studere den hurtige dynamik af akut slagtilfælde, sømløst indlejret i den kliniske strøm. Ved at kvantificere ændringen i motorisk deficit over tid vil vi undersøge forholdet mellem disse baner med kliniske resultater og udvikle prædiktive modeller, der kan understøtte klinisk styring og optimere serviceydelsen.