UDVIKLING AF EN KUNSTIG INTELLIGENS-ALGORITME TIL FORUDSIGLING AF HYPOTENSIONSRISIKO EFTER INDUKTION I KEJSERsnit MED SPINALANÆSTESI

Begrundelse: Kejsersnit, når det er angivet korrekt, er en fødselsmetode, der bevarer både moderens og barnets sundhed. Antallet af fødsler ved kejsersnit har været stigende på verdensplan i årevis. Mellem 2010 og 2018 blev 21,1 % af de globalt sporede fødsler udført ved kejsersnit. Ifølge Verdenssundhedsorganisationen (WHO) forventes det, at denne sats vil stige og nå 29 % i år 2030.

Bedøvelsen til kejsersnit er grundlæggende påvirket af både de fysiologiske og patologiske ændringer, som graviditeten inducerer i moderens krop. Ændringer, der sker under graviditet og fødsel, og de deraf følgende forskelle, kan give udfordringer for anæstesiologer.

I udviklede lande er 78% af elektive kejsersnit blevet udført under spinalbedøvelse, hvilket gør det til den mest udbredte teknik af anæstesiologer. Spinal anæstesi inducerer iatrogen sympatisk blokade, hvilket reducerer systemisk vaskulær modstand sammen med arteriel og venøs vasodilatation, hvilket fører til hypotension. Hyppigheden af ​​hypotension efter spinal anæstesi hos gravide kvinder varierer fra 7,4 % til 74 %, som rapporteret af Klöhr et al. Hyppigheden af ​​hypotension er højere hos gravide kvinder på grund af faktorer såsom liggende hypotension syndrom forårsaget af føtal inferior vena cava kompression og udvikling af kollateral venøs plexus i epiduralområdet, hvilket fører til opstigning af intratekal lokalbedøvelse i cerebrospinalvæsken. Forværringen af ​​hypotension og bradykardi hos patienten kan resultere i hjertekollaps, føtal hypoxi og acidose, hvilket udgør en uforudsigelig risiko for både moderens og fostrets sundhed. Anæstesilægers rolle er at forebygge eller håndtere denne risikable tilstand effektivt.

Nylige fremskridt inden for dyb læring og kunstig intelligens (AI) har fundet deres plads inden for anæstesi. AI-applikationer i anæstesi kan kategoriseres i fem hovedområder: 1) Overvågning af dybden af ​​anæstesi (f.eks. teknikker, der analyserer EEG-data under anæstesi), 2) Kontrol af anæstetisk lægemiddellevering baseret på dybden af ​​anæstesi, 3) Begivenhedsforudsigelse, 4) Ultralydsvejledning og 5) Smertebehandling.

Blandt disse applikationer er forudsigelse af begivenheder særligt kritisk for anæstesiologer. At kende til en hændelse, før den indtræffer, bidrager til dens forebyggelse eller muliggør mere præcis styring. Der har været 53 undersøgelser i litteraturen, der bruger AI til forudsigelse af hændelser, herunder undersøgelser, der udvikler algoritmer til at forudsige hypotension under operation og validering af disse algoritmer. Det, der adskiller dette projekt fra eksisterende undersøgelser, er:

Disse undersøgelser er ikke udviklet specifikt til at forudsige spinal anæstesi-induceret hypotension under kejsersnit.

Disse undersøgelser har for det meste brugt bølgeanalyse (ikke-invasiv eller invasiv) til at forudsige hypotension. I dette projekt vil denne tilgang ikke blive brugt. Præoperative vurderinger vil blive udført, og patientkarakteristika vil blive registreret. Derfor vil den resulterende algoritme ikke være en dynamisk/realtidsdatainputalgoritme.

Den lette registrering af præoperative karakteristika, fraværet af behovet for invasiv arteriel overvågning og potentialet for anvendelighed gør udviklingen af ​​algoritmen mere praktisk. Den udviklede algoritme vil være praktisk at bruge.

Algoritmen, der skal trænes, vil, i lighed med undersøgelsen af ​​Hatib et al., rapportere risikoen for hypotension i procent.

AI og dens undergruppe, maskinlæringsalgoritmer, påvirker alle aspekter af vores liv. På det medicinske område er det blevet en metode, især til at reducere menneskelige fejl i klinisk beslutningstagning.

I denne undersøgelse vil demografisk information, vitale tegn, specifikke blodparametre og visse karakteristika relateret til administration af spinal anæstesi systematisk blive registreret for gravide kvinder, der gennemgår spinal anæstesi. Blodparametre omfatter fuldstændig blodtælling, serumelektrolytter, leverenzymniveauer (ALT/AST) og Syndecan-1. Alle blodparametre er angivet i den originale undersøgelsesprotokol. Syndecan-1 er et molekyle, der udskilles i serumet med nedbrydning eller beskadigelse af det vaskulære endoteliale glycocalyx-lag. Især stiger det under volumenbelastning, sepsis eller inflammatoriske processer. Serum Syndecan-1-niveauer stiger, efterhånden som ugerne af graviditeten skrider frem, hvor den mest signifikante stigning sker mellem den 20. og 30. uge. Hvis præeklampsi udvikler sig i de senere stadier af graviditeten, falder Syndecan-1-niveauerne.

Syndecan-1-niveauer i hypertensive graviditeter ændrer sig ikke signifikant sammenlignet med normale graviditeter, men der er observeret forskelle i Syndecan-1-niveauer ved præeklampsi. Derfor vil hypertensive og præeklamtiske gravide, som nævnt i metodeafsnittet, ikke indgå i undersøgelsen.

I en undersøgelse, der undersøgte de præoperative og postoperative niveauer af Syndecan-1 hos patienter med kejsersnit, som gennemgik spinalbedøvelse, blev der fundet en signifikant forskel. Undersøgelsen konkluderede, at præoperativ profylaktisk væskebolus-administration påvirkede endotelial glycocalyx-nedbrydning. Baseret på denne undersøgelse har Syndecan-1 det teoretiske potentiale til at være en ny markør til at forudsige hypotension. Selvom Syndecan-1 er blevet undersøgt hos gravide kvinder før, er der ingen undersøgelse i litteraturen, der undersøger sammenhængen mellem præoperative Syndecan-1 niveauer og hypotension under spinal anæstesi hos patienter med kejsersnit. Denne undersøgelse vil både undersøge forholdet mellem Syndecan-1 og hypotension og evaluere dets plads i den udviklede algoritme.

Efter registrering af de indledende data for hver patient, vil udviklingen af ​​hypotension blive observeret og dokumenteret. De indsamlede data vil blive analyseret for at undersøge sammenhængen mellem forekomst eller ikke-forekomst af hypotension efter induktion. Derudover vil en kunstig intelligens-algoritme blive udviklet ved hjælp af disse data. Det primære formål er at udvikle algoritmen. I løbet af undersøgelsen vil der ikke være ændringer i den anæstesibehandling, der anvendes på de gravide.

I denne sammenhæng sigter den udviklede algoritme på tidligt at identificere hypotension forårsaget af spinal anæstesi (forudsige risikoen for hypotension før operationen starter) og muliggøre tidlig behandlingsstart.

Metode:

Tidspunkt for projektet: Den etiske godkendelse af projektet er givet af Hacettepe University Non-Interventional Clinical Research Ethics Board. Projektet er planlagt til at blive gennemført mellem november 2023 og april 2024.

Metode og dataindsamlingsværktøjer for projektet:

Data fra patienter, der opfylder inklusionskriterierne i operationsstuen, vil blive indhentet fra rutinemæssige testresultater, der sendes efter indlæggelse til kejsersnit, observationsskemaer fra præoperativ sygeplejerske og registreringer af vitale tegn overvåget ved anæstesi under operationen. Efter at patienten er kørt til operationsstuen, udfyldes oplysningerne i Dataopsamlingsskemaet af anæstesilægen. Varigheden af ​​hypotension efter spinal anæstesi begynder umiddelbart efter administration af anæstesi hos gravide kvinder og når sit laveste niveau inden for ca. 10-15 minutter. Det vides at vende tilbage til det normale inden for 20-30 minutter. Varigheden af ​​hypotension kan dog variere afhængigt af faktorer som gestationsalder, anæstesidosis, patientens generelle helbredstilstand og andre faktorer. Især hos gravide kvinder med høje anæstesidoser eller hypertension kan varigheden af ​​hypotension være længere. Derfor skal varigheden af ​​hypotension evalueres individuelt for hver patient. I denne undersøgelse foretrækkes observation i de første 15 minutter dog. Denne præference er lavet, fordi algoritmen forudsiger spinal-induceret hypotension baseret på præoperative karakteristika. Med den forlængede observationsperiode gør forekomsten af ​​fødsler, stigningen i hjertevolumen og påbegyndelsen af ​​oxytocininfusion under operationen hæmodynamikken til en kompleks situation, der påvirkes af flere uafhængige faktorer. Dataindsamlingen afsluttes efter de første 15 minutter, og hypotension, der opstår efter det 15. minut, vil ikke blive registreret for undersøgelsen; observationen vil blive afsluttet.

Indsamling af projektdata:

Inden patienter tages til operationsstuen, vil der blive udtaget en passende mængde blod fra de rutinemæssige blodprøver før levering, der tages fra patienten for blodparametrene. Bortset fra Syndecan-1 er de andre parametre i blodparametrene rutinetest, der rutinemæssigt udføres i Hacettepe University Hospital Biochemistry-laboratorier.

Ved måling af syndecan-1 vil absorbansaflæsninger blive udført ved hjælp af SpectraMax-M2 (Molecular Devices, USA) enheden placeret i Institut for Biokemi ved Hacettepe University. Efterfølgende vil serumsyndecan-1-niveauer blive beregnet ved hjælp af GraphPad Prism-programmet baseret på standardgrafen. Anskaffelsen af ​​de nødvendige ELISA-sæt til syndecan-1-måling vil blive udført gennem finansiering opnået fra Hacettepe Universitys videnskabelige forsknings- og projektkontor.

Dataanalyse:

Gennem trinene i algoritmeudviklingen vil Python-programmeringssproget blive brugt. Udviklingsprocessen for den kunstige intelligens-algoritme vil følge retningslinjerne for udvikling og rapportering af maskinlæringsforudsigelsesmodeller i biomedicinsk forskning: En multidisciplinær visning. Trinene er som følger:

• Dataindsamling: Data vil blive registreret ved at udfylde dataindsamlingsformularen.
• Databehandling: Efter dataindsamlingen vil dataene blive behandlet, og de vil blive tilfældigt opdelt i træningsdata og interne valideringsdata. Dataene vil blive renset for artefakter og fejllæsninger.
• Annotering: Data vil blive mærket til klassificering af kunstig intelligens, og definitionen af ​​hypotension vil blive kommenteret. Undersøgelser vil blive udført for at bestemme potentialet for at påvise hypotension med kunstig intelligens.
• Funktionsvalg: Funktioner, der forudsiger kommenterede begivenheder i højeste grad, vil blive valgt. En eller flere funktionsvalgalgoritmer vil blive brugt til denne proces, og funktioner vil blive udvalgt baseret på den opnåede succes i modellerne.
• Modeloprettelse: De mest relevante funktioner i dataene vil blive udvalgt, og en model vil blive udviklet. Fundamentale klassifikationsalgoritmer såsom K-Nearest Neighbors, Support Vector Machines (SVM), Decision Trees, Random Forest, der almindeligvis anvendes til klassificeringsprocesser i litteraturen, vil blive anvendt til at opnå grundlæggende præstationsforhold. Efterfølgende vil der blive udviklet en deep learning-metode, og præstationsforskellen mellem den foreslåede metode og de grundlæggende metoder vil blive undersøgt.

Krydsvalidering: Ydeevnen af ​​den oprindelige version af modellen vil gentagne gange blive udsat for krydsvalidering med undergrupper af data, som modellen aldrig har set før. Dette vil bestemme modellens præstation ved at undersøge præstationsændringer, efterhånden som dataene varierer. Afhængigt af datastørrelsen vil der blive anvendt enten 10-fold krydsvalidering eller 5 gange krydsvalidering.

Intern validering: Den forudsigende ydeevne af den algoritme, der trænes med træningsdataene, vil blive vurderet ved hjælp af interne valideringsdata, som den aldrig har stødt på.

Ud over algoritmeudviklingsprocessen, hvis de variabler, der sammenlignes, er normalfordelte, statistiske tests såsom ANOVA; Elevens t-test og Mann-Whitney U-test vil blive brugt baseret på antallet af sammenlignede grupper og normalfordelingsanalysen af ​​variabler. Pearson Korrelationsanalyse og Spearman Korrelationsanalyse vil blive brugt til at analysere sammenhængen mellem hypotensionsværdier og andre kontinuerte parametre baseret på normalfordelingsanalysen af ​​variable. Desuden vil systemets forudsigelighed blive testet ved hjælp af sensitivitet, specificitet, positiv prædiktiv værdi (PPV), negativ prædiktiv værdi (NPV), odds ratio (OR), risikoforhold (RR), modtagerens driftskarakteristikkurve og areal under kurven (AUROC) og Pearson korrelationskoefficient (r) test. Et statistisk signifikansniveau på p<0,05 accepteres. Til statistisk analyse vil softwaren Statistical Packages for the Social Sciences v26.0 (SPSS Inc., Chicago, IL) blive brugt.