BLANDISH (hjerne, tab af funktion, aneurisme, sygdom, skade, slagtilfælde, blødning) (BLANDISH)

I NeuroICU følger behandlinger typisk retningslinjer baseret på videnskabelig konsensus. På trods af dette er prognosen for patienter med intrakranielle blødninger ikke forbedret væsentligt i løbet af de seneste årtier, hvilket resulterer i generelt utilfredsstillende resultater. Mens randomiserede kontrollerede forsøg (RCT'er) betragtes som guldstandarden for klinisk forskning, kan de være dyre og etisk udfordrende at udføre. Observationsstudier giver en alternativ metode, der tilbyder større datasæt, der dækker længere perioder, hvilket kan være mere gavnligt og gennemførligt for visse forskningsbestræbelser.

Machine Learning (ML) algoritmer har, i modsætning til klassiske statistiske metoder, evnen til at behandle et stort antal variabler, hvilket tilbyder en personlig og pålidelig tilgang til sundhedsudbydere i patienthåndtering. I erkendelse af nødvendigheden af ​​veldesignede undersøgelser til at identificere optimale terapeutiske strategier for neurokritiske patienter og anerkender begrænsningerne af eksisterende retningslinjer, sigter vi mod at udnytte ML-programmer til at udvikle et avanceret system, der er i stand til at afdække datamønstre og forbinde dem med potentielle resultater.

BLANDISH-projektet fokuserer på patienter med spontan intracerebral blødning (sICH), en tilstand, der mangler dokumenteret gavnlig behandling. Ved at indsamle og analysere data fra sICH-patienter indlagt på neuroICU, sigter projektet mod at udvikle en overvåget ML-algoritme ved navn BLANDISH.

Denne algoritme vil stratificere patienter baseret på prognose, og identificere dem med størst risiko for død og sekundære hjerneskader. Ved at guide hver patient mod den mest målrettede terapeutiske strategi kan algoritmen hjælpe med at forbedre patientresultater og vurdere effektiviteten af ​​den nuværende kliniske praksis. Derudover kan det sætte sundhedspersonale i stand til bedre at allokere ressourcer og indføre individualiserede terapeutiske programmer baseret på præcisionsmedicin, hvilket potentielt kan reducere indlæggelsestider og sundhedsomkostninger.

Det indledende trin i udviklingen af ​​BLANDISH-algoritmen involverer indsamling af kliniske data, gemt i en struktureret datalake, der fungerer som et datalager. Denne platform vil indsamle information om det kliniske forløb for sICH-patienter indlagt på neuroICU. Efter dataindsamling omfatter de næste trin forbehandling, variabel udvælgelse korreleret med patientdødelighed og algoritmetræning med inputdata og intern validering for at kontrollere dens adfærd. Ekstern validering vil følge, omfattende dataindsamling fra forskellige kliniske centre for at vurdere algoritmens pålidelighed og generaliseringskapacitet. Et multicenter observationelt klinisk studie vil derefter blive udført for at validere BLANDISH-algoritmen, med det formål at bestemme dens indvirkning på sICH-patienter. Denne sidste fase inkluderer en overlevelsesundersøgelse, der sammenligner patienter i forsøgsgruppen (hvis behandling er styret af BLANDISH) med dem, der følger standard klinisk praksis. Projektet har til formål at demonstrere ML-tilgangens overlegenhed i forhold til nuværende retningslinjer, ved at evaluere nøjagtigheden og potentielle forbedringer i patientbehandling på tværs af forskellige plejemiljøer.