Künstliche Intelligenz bei Subarachnoidalblutung (AISAH)

Patienten mit aneurysmatischer Subarachnoidalblutung (aSAH) entwickeln in etwa 30 % der Fälle eine verzögerte zerebrale Ischämie (DCI). DCI ist mit einer erhöhten Mortalität, einem anhaltenden neurologischen Defizit sowie einer beeinträchtigten Lebensqualität verbunden. Es würde sowohl den Patienten als auch der Gesellschaft zugute kommen, wenn diese neurologischen Verletzungen verringert würden. Ein klinisches Problem besteht darin, dass sich die Diagnose einer zerebralen Ischämie bei SAB-Patienten aufgrund eingeschränkter Überwachungsmöglichkeiten häufig verzögert. Wird der neurologische Schaden erkannt, stellt sich oft heraus, dass er irreversibel ist.

In mehreren Studien wurden univariate und multivariate logistische Regressionsanalysen verwendet, um Risikofaktoren für die Entwicklung einer verzögerten zerebralen Ischämie (DCI) bei Patienten mit Subarachnoidalblutung zu identifizieren. Diese Studien basieren jedoch auf Daten, die über die Patienten gesammelt wurden (z. B. Alter, Geschlecht) und die Präzision dieser statistischen Modelle hat sich im Allgemeinen als gering erwiesen. Kürzlich wurden auch maschinelle Lernalgorithmen zur Vorhersage von DCI anhand einer Kombination aus klinischen Daten und Bilddaten evaluiert.

Allerdings verhindert die Vorhersage einer DCI keine DCI. Um DCI zu verhindern, muss ein Überwachungssystem entwickelt werden, das Ärzte vor dem drohenden Risiko einer zerebralen Ischämie warnen kann und es so ermöglicht, einzugreifen und einer zerebralen Ischämie vorzubeugen.

Variationen im autonomen Nervensystem, wie etwa Veränderungen im Gleichgewicht zwischen Sympathikus und Parasympathikus, können durch die Überwachung der Herzfrequenzvariabilität (HRV) erkannt werden. HRV wurde als Prädiktor für ein schlechtes Ergebnis nach traumatischer Hirnverletzung und Schlaganfall, einschließlich Subarachnoidalblutung, beschrieben. Die HRV-Überwachung zur Erkennung einer beginnenden zerebralen Ischämie wurde jedoch nicht gründlich evaluiert. In einer Studie mit Patienten mit aSAH haben wir die HRV kontinuierlich bis zu 10 Tage nach der Aufnahme erfasst, aber nur ein kleiner Teil der HRV-Daten wurde offline analysiert. Fünfzehn von 55 Patienten entwickelten während der akuten Phase eine DCI, und die Offline-Analyse der HRV zeigte, dass das Verhältnis niedriger/hoher Frequenz bei Patienten, die eine DCI entwickelten, stärker zunahm (Ref). Dies veranlasste uns, zu versuchen, die gesamte erfasste HRV mit Hilfe maschineller Lernprozesse zu analysieren, und eine Zusammenarbeit mit Informatikern/Datenwissenschaftlern wurde initiiert.

Das übergeordnete Ziel dieser Studie besteht darin, mithilfe von Computer-/Datenwissenschaftlern und maschinellen Lernverfahren die gesammelten HRV-Daten zu analysieren, um zu bewerten, ob bei Patienten, die während der akuten Phase nach einer Subarachnoidalblutung eine DCI entwickeln, spezifische Muster gefunden werden können.