AI-vejledet forudsigelse og behandling af hjertestop

Pludseligt hjertestop (SCA) forbliver en væsentlig dødsårsag i USA. På trods af betydelige anstrengelser for at forbedre genoplivningsresultaterne, forbliver overlevelsesraten dårlig. Desuden er SCA ofte det første tegn på underliggende hjertesygdom, hvorefter overlevende typisk lider af sekundær kronisk kardiovaskulær og neurologisk sygdom på grund af det primære angreb. Genoplivning fra SCA påbegyndes hos patienter, der lider af livstruende arytmier, generelt ventrikulær takykardi/fibrillering (VT/VF) eller pulsløs elektrisk aktivitet (PEA), og hvis det lykkes, følges det af en tilbagevenden af spontan cirkulation (ROSC). Dette følges dog ofte af gentagne tilbagefald på grund af enten VT/VF, PEA eller asystoli. Vigtigt er, at mekanismerne bag VT/VF og PEA varierer betydeligt, og protokollerede, ikke-retningsgivende behandlinger kan forværre resultaterne. I øjeblikket påbegyndes behandlinger typisk efter tilbagefaldet er sket og uden hensyntagen til den enkelte patients unikke personlige eller stopkarakteristika, faktorer, der er kendte prædiktorer for hjertestopsresultater. Nylige studier har vist, at en hurtigere og mere målrettet behandlingsrespons (dvs. kortere tid til behandling med tilbagefaldstype-specifik behandling) for hjertestop kan forbedre overlevelsen og de efterfølgende kroniske sekvæler efter SCA betydeligt. Derfor kunne evnen til at forudsige hjertestop eller tilbagefald og årsag (dvs. VT/VF og PEA) guide tidlig personliggøret terapi og i sidste ende forbedre genoplivningsresultaterne, hvilket er det langsigtede translationelle mål med denne indsats. Derudover kunne tidlig intervention være afgørende i landdistrikter, hvor transporttiderne til definitiv hospitalsbehandling er lange, og ressourcerne er begrænsede.

I igangværende arbejde har forskerne for nylig observeret hos akutmedicinsk tjeneste (EMS) patienter, at tilføjelse af kliniske parametre (f.eks. alder, primær stoptype) til træk udledt fra EKG T-bølgen i en maskinlærings (ML) model forbedrer forudsigelsesnøjagtigheden af VT/VF og PEA (>90%). Forskerne foreslår en gennemførlighedsundersøgelse af ML-guidet forudsigelse af tilbagefald. Den overordnede hypotese er, at en EKG-biomarker, kombineret med kliniske træk, kan forudsige tilbagefald og dets årsag (VT/VF eller PEA), hvilket vil forbedre tiden til behandling og hjertestop akutte og kroniske resultater betydeligt. Forskerne formoder yderligere, at sådan teknologi let kan blive indført og implementeret med succes af akutrespondenter. Forskerne planlægger to sammenhængende kliniske forsøg, et observationsforsøg i simuleret hjertestop, og et andet observationsforsøg i EMS patienter. Følgende specifikke mål vil teste disse hypoteser.

Mål 1. Fastlæg slutbrugerpræstation og tilfredshed med en fuldt automatiseret ML-guidet tilbagefaldsforudsigelsesenhed ved brug af simulerede hjertestopscenarier. Akutudbydere, i simulerede realtids genoplivningsscenarier ved brug af ægte tilbagefalds EKG optagelser, vil blive undersøgt for at identificere barrierer og faciliteter for teknologiimplementering og -indførelse, samt udbyder tilfredshed og den opfattede værdi af interventionen. Dette vil opnås ved at fastlægge udbyder præstationsmålinger (f.eks. påbegyndelse af ML-guidet terapier) og ved brug af kvalitative værktøjer til at vurdere slutbruger engagement, tillid og opfattet nytte. Disse studier vil give grundlæggende data for implementering og skalerbarhed af teknologien både til et klinisk forsøg og vejledning for fremtidig FDA og reguleringsgodkendelse.

Mål 2. Test nøjagtigheden af en multiclass ML model for realtids forudsigelse af tilbagefalds forekomst og dets type (VT/VF vs. PEA) og indvirkning på tid til behandling, i et observations klinisk forsøg med hjertestoppatienter. Ved at udnytte et igangværende samarbejde med Cleveland og samfunds EMS, vil forskerne indskrive EMS hjertestoppatienter og observere for forekomsten af tilbagefald i et proof-of-concept observations valideringsstudie. Nøjagtigheden af den fuldt automatiseret ML model til at forudsige tilbagefald og dets type vil blive fastlagt, men behandlingsvejledning vil ikke blive testet på dette tidspunkt. Udbydere vil være blindet for ML output, og ML vil ikke dirigere behandling. Offline vil forudsigelsesnøjagtighed og estimeret tid til ML-guidet behandlingsbeslutning blive sammenlignet med faktisk tilbagefaldstype og behandlingstid. Disse resultater vil give foreløbige sikkerheds- og nøjagtighedsresultater, stikprøvestørrelsesestimater og rekrutterings- og informeret samtykkeprocesser for et fremtidigt randomiseret kontrolleret klinisk forsøg til at teste ML-guidet tilbagefaldsbehandlinger.