Eine 48-Probanden-Studie mit nicht-invasiven Multi-Technologie-Messungen zur Früherkennung anhaltender Blutungen

Hämorrhagischer Schock ist nach wie vor eine der häufigsten Todesursachen auf dem Schlachtfeld und auch in zivilen Gemeinden. Die frühzeitige Erkennung einer anhaltenden Blutung vor dem Fortschreiten eines offenen Schocks würde ein frühzeitiges Eingreifen ermöglichen. Es ist allgemein anerkannt, dass die klassischen medizinischen Vitalparameter erst spät im Stadium des Schocks nach einer traumatischen Verletzung eine schlechte Leistung erbringen. Derzeit verfügbare Techniken, einschließlich intermittierender Überwachung der Vitalfunktionen, Laboranalysen und Einzelmessgeräten, zeigen eine schlechte Leistung, bevor klinisch offensichtliche physiologische Belastungen auftreten.

Das übergeordnete Ziel dieses Projekts ist die Entwicklung eines nichtinvasiven Multitechnologiesystems zur Früherkennung einer laufenden Blutung. Die zugrunde liegende Hypothese ist, dass durch Deep Learning entwickelte Algorithmen, die Diagnosesignale aus mehreren Quellen erhalten, Einzeltechnologielösungen übertreffen werden.

Während das Versprechen innovativer nichtinvasiver Tests große Beachtung gefunden hat, war die Entwicklung wirksamer Technologien am Krankenbett bisher begrenzt und ihre Leistung enttäuschend. Im Jahr 2014 erklärten Kim et al.: „Die Ergebnisse dieser Metaanalyse ergaben, dass die Ungenauigkeit und Ungenauigkeit von Geräten zur kontinuierlichen nichtinvasiven arteriellen Drucküberwachung größer sind als das, was als akzeptabel definiert wurde“ und dass die nichtinvasive Blutdruckmessung zu den am weitesten entwickelten Geräten gehört Technologien. Das Versagen nichtinvasiver Technologien bei der Erkennung oder Diagnose komplexer Krankheitszustände ist im Wesentlichen vollständig. Die Forscher glauben, dass dieser Fehler die Einschränkungen von Uniplex-Systemen (ein einzelner Sensor an einem einzigen Ort) und die Variation der physiologischen Reaktion von Patient zu Patient widerspiegelt. Uniplex-Systeme opfern das gesamte diagnostische Signal in anatomisch-zeitlichen Mustern, was wahrscheinlich eine erhebliche Unterscheidungskraft aufweist.

Bislang lassen sich technologische Innovationen bei der Früherkennung anhaltender Blutungen in zwei große Kategorien einteilen: 1) die Suche nach einer einzigen neuen Messung des Gewebe- oder Organstatus oder 2) die Anwendung ausgefeilterer mathematischer Techniken, die auf maschinellem Lernen und Signalverarbeitung basieren.

Die Forscher schlagen vor, ein System zu entwickeln, das modernste nichtinvasive Sensortechnologien und fortschrittliche multivariable statistische Algorithmen kombiniert. Dieses System wird von Anfang an so entwickelt, dass es kostengünstig und einfach anzuwenden ist, selbst in kargen Umgebungen.

Um den unnötigen Einsatz von Blutprodukten zu vermeiden, werden Hepatektomien mit niedrigem zentralvenösen Druck (CVP) durchgeführt. Dies wird durch den restriktiven Einsatz von intravenösen Flüssigkeiten und manchmal auch durch Medikamente zur Senkung des zentralvenösen Drucks erreicht. Ein niedriger zentralvenöser Druck während einer Hepatektomie ist ein hervorragendes Modell für die Entwicklung von Technologien wie unserer und wurde bisher nicht für diesen Zweck eingesetzt.

Während jedes Eingriffs erhalten die Forscher während des LCVPLR-Verfahrens ein vollständiges Ensemble nichtinvasiver optischer, elektromagnetischer und impedanzphysiologischer Signale. Die hier vorgeschlagene Arbeit wird diese Technologien bei Standard-Leberresektionen mit niedrigem zentralen Venendruck (LCVPLR) evaluieren. Diese Daten werden für die weitere Entwicklung von auf maschinellem Lernen basierenden Algorithmen verwendet. Die vorgeschlagene Studie wird ein geringes Risiko aufweisen, da die gemessenen Daten den Klinikern nicht zur Verfügung stehen.

Spezifische Ziele:

1. Bewerten Sie die Leistung bestehender nicht-invasiver Sensortechnologien und multivariabler Algorithmen in LCVPLR.
2. Erhalten Sie während der LCVPLR Trainings- und Validierungsdatensätze für menschliche Modelle, um die Algorithmen weiter zu verfeinern.

Aussagekraft und Stichprobengröße: Die Forscher gehen davon aus, Daten von jedem eingeschriebenen Probanden zu sammeln. Die vor Beginn der Parenchymdurchtrennung erhaltenen Daten werden als „keine Blutung“-Kontrolle verwendet. Berechnungen der Trennschärfe und der Stichprobengröße deuten darauf hin, dass eine Stichprobengröße von 48 Probanden ausreichen sollte, um: 1) die minimale Teilmenge nichtinvasiver Messtechnologien, die für die gewünschte Diagnoseleistung erforderlich sind, weiter zu identifizieren, 2) die vorhandenen Algorithmen zu validieren und 3) zunächst einen Menschen zu trainieren klinische Iteration der Algorithmen mit einem ausreichenden Grad an Genauigkeit (p < 0,05 für ROC-AUC).

Da es sich um eine Studie mit minimalem Risiko handelt, wird sich der Versorgungsstandard für Patienten, die sich einer Operation unterziehen, nicht ändern. Die chirurgischen Eingriffe und Pharmakotherapien werden gemäß dem klinischen Standardmanagement durchgeführt. Eingeschriebene Patienten werden einer standardmäßigen präoperativen, anästhetischen und postoperativen physiologischen Überwachung unterzogen.