Risikoanalyse af intrakraniel aneurisme brud gennem sociale determinanter for sundhed (ARAMISS)

Intrakranielle aneurismer (IA), den mest almindelige intrakranielle arterielle misdannelse, påvirker ca. 3% af den globale befolkning. De er kendetegnet ved en udvidelse af den vaskulære væg i det intrakraniale område, typisk ved en bifurcation. Den mest frygtede komplikation af IA er brud, som er forbundet med høj sygelighed og dødelighed. Cirka 30% af patienterne står over for død eller alvorlig handicap, og selv blandt dem, der ikke er synlige følger, lider op til 50% af usynlige handicap, såsom kognitive problemer. Dette forklarer den betydelige økonomiske byrde af brudt IAS, anslået til ca. 168 millioner pund årligt i Storbritannien.

En måde at reducere denne sygelighed og samfundsbyrde på er at identificere patienter med høj risiko for brud for at bestemme dem, der mest sandsynligt oplever sygdomsprogression. Forskellige initiativer, såsom forløb, faser og UCAS -scoringer, er blevet udviklet til at vurdere brudrisiko i rutinemæssig klinisk praksis. Imidlertid er disse scoringer stort set afhængige af velkendte modificerbare og ikke-modificerbare risikofaktorer, såsom etnicitet, hypertension, køn, alder, rygning og historie med subarachnoid blødning. På trods af deres anvendelighed er de utilstrækkelige til pålideligt stratificerende brudrisiko, der undervurderer det med ca. 30%, hvilket begrænser deres indflydelse i den daglige praksis.

Nylig forskning har identificeret nye risiko- og beskyttelsesfaktorer, såsom søvnapnø-syndrom, lipidkontrol og brugen af ​​antidiabetisk, lipidsænkende eller antihypertensiv behandling. Derfor er det nødvendigt at revidere IA -brudrisiko ved at overveje disse faktorer i relation til patienters livsmiljøer.

Sociale determinanter for sundhed (SDOH) spiller en kritisk rolle i denne sammenhæng. DDOH er defineret som livsbetingelserne, der påvirker individuel og befolkningssundhed, og inkluderer brede faktorer som alder, etnicitet og køn samt afhængighedsadfærd, indkomstniveauer, miljøeksponering og social status. De anslås at bidrage til over 80% af befolkningens sundhedsresultater. Ved vaskulære sygdomme er SDOH -såsomme uddannelsesniveauer, begrænset indkomst, social isolering og lav fysisk aktivitet -kendt for at påvirke sygdomsgraden ud over traditionelle risikofaktorer. WHO vurderer, at vaskulære sygdomme er den førende globale årsag til dødelighed, med 17,7 millioner dødsfald årligt, hvoraf halvdelen kan forebygges. Forståelse og adressering af SDOH er derfor afgørende for bestræbelser på forebyggelse af folkesundhed.

Indledende undersøgelser af SDOH's indvirkning på IA -brud er begrænset, og fokuserer ofte på individuelle determinanter. En mere omfattende tilgang til SDH er nødvendig, især i betragtning af manglen på konsensusretningslinjer for IA -styring. Aktuelle terapeutiske muligheder, mens de er avanceret, bærer stadig perioperativ sygelighed. Multivariabel modellering og vægtet sammensatte score kan hjælpe med at tackle kompleksiteten af ​​kliniske og miljømæssige faktorer.

SDH -data indsamles rutinemæssigt i medicinske poster og digitaliseres i stigende grad gennem hospitalets informationssystemer. Sundhedsdatalager (HDWS), såsom den på Nantes University Hospital, integrerer strukturerede og ustrukturerede data fra millioner af patienter, hvilket muliggør deres genbrug til forskningsformål. Fremkomsten af ​​kunstig intelligens (AI) har gjort det muligt at udtrække og analysere disse data, hvilket afslører indsigt fra tidligere utilgængelige oplysninger.

Natural Language Processing (NLP), en gren af ​​AI, muliggør automatiseret ekstraktion af information fra tekstlige medicinske poster, der låser op potentialet for ustrukturerede data inden for HDWS. Avancerede modeller, såsom Bert, Chatgpt, Llama og Mistral, kan behandle og analysere store mængder tekst. Imidlertid er anvendelsen af ​​NLP på ikke-engelske sprog begrænset af en mangel på annoteret korpora, bekymringer om privatlivets fred og data om suverænitet.

Aramiss -projektet sigter mod at undersøge interaktionen mellem SDH og kendte risikofaktorer for IA -brud, hvilket sammenligner patienter med ulykkelig IAS med dem med brudt IAS. Ved hjælp af SDH klassificerer projektet patienter i risikogrupper og analyserer rumligt patientdata gennem API'er som DataGouv. Derudover vil projektet fokusere på at udvikle FAIR (Findable, tilgængelige, interoperable, genanvendelige) metoder til at dele sine algoritmer og træningskorpora med det biomedicinske samfund, samtidig med at de opretholdes lovgivningsmæssig overholdelse.