ENTWICKLUNG EINES KÜNSTLICHEN INTELLIGENZ-ALGORITHMUS ZUR VORHERSAGE DES HYPOTONIE-RISIKOS NACH DER EINLEITUNG BEI Kaiserschnitten mit Spinalanästhesie

Begründung: Der Kaiserschnitt ist bei korrekter Indikation eine Geburtsmethode, die die Gesundheit von Mutter und Kind erhält. Die Zahl der Geburten per Kaiserschnitt steigt weltweit seit Jahren. Zwischen 2010 und 2018 wurden 21,1 % der weltweit erfassten Geburten per Kaiserschnitt durchgeführt. Nach Angaben der Weltgesundheitsorganisation (WHO) wird erwartet, dass diese Rate bis zum Jahr 2030 auf 29 % ansteigen wird.

Die Anästhesie bei einem Kaiserschnitt wird grundlegend von den physiologischen und pathologischen Veränderungen beeinflusst, die durch die Schwangerschaft im Körper der Mutter hervorgerufen werden. Veränderungen während der Schwangerschaft und Geburt und die daraus resultierenden Unterschiede können für Anästhesisten eine Herausforderung darstellen.

In Industrieländern wurden 78 % der elektiven Kaiserschnitte unter Spinalanästhesie durchgeführt, was sie zur am häufigsten von Anästhesisten verwendeten Technik macht. Die Spinalanästhesie induziert eine iatrogene sympathische Blockade, wodurch der systemische Gefäßwiderstand sowie die arterielle und venöse Vasodilatation verringert werden, was zu Hypotonie führt. Die Inzidenz von Hypotonie nach Spinalanästhesie bei schwangeren Frauen liegt zwischen 7,4 % und 74 %, wie von Klöhr et al. Die Häufigkeit von Hypotonie ist bei schwangeren Frauen aufgrund von Faktoren wie dem Hypotonie-Syndrom in Rückenlage, das durch die Kompression der unteren Hohlvene des Fötus verursacht wird, und der Entwicklung eines kollateralen Venenplexus im Epiduralbereich höher, was zum Aufstieg von intrathekalem Lokalanästhetikum in die Liquor cerebrospinalis führt. Die Vertiefung von Hypotonie und Bradykardie beim Patienten kann zu Herzkollaps, fetaler Hypoxie und Azidose führen und ein unvorhersehbares Risiko für die Gesundheit von Mutter und Fötus darstellen. Die Aufgabe von Anästhesisten besteht darin, diesen riskanten Zustand wirksam zu verhindern oder zu behandeln.

Die jüngsten Fortschritte im Bereich Deep Learning und künstliche Intelligenz (KI) haben auch im Bereich der Anästhesie Einzug gehalten. KI-Anwendungen in der Anästhesie können in fünf Hauptbereiche eingeteilt werden: 1) Überwachung der Anästhesietiefe (z. B. Techniken zur Analyse von EEG-Daten während der Anästhesie), 2) Steuerung der Anästhesiemedikamentenabgabe basierend auf der Anästhesietiefe, 3) Ereignisvorhersage, 4) Ultraschallführung und 5) Schmerzbehandlung.

Unter diesen Anwendungen ist die Ereignisvorhersage für Anästhesisten besonders wichtig. Das Wissen über ein Ereignis, bevor es eintritt, trägt zu seiner Prävention bei oder ermöglicht eine genauere Bewältigung. In der Literatur gibt es 53 Studien, die KI zur Ereignisvorhersage nutzen, darunter Studien zur Entwicklung von Algorithmen zur Vorhersage von Hypotonie während einer Operation und zur Validierung dieser Algorithmen. Was dieses Projekt von bestehenden Studien unterscheidet, sind:

Diese Studien wurden nicht speziell entwickelt, um eine durch Spinalanästhesie verursachte Hypotonie während Kaiserschnitten vorherzusagen.

In diesen Studien wurde meist die Wellenanalyse (nicht-invasiv oder invasiv) zur Vorhersage von Hypotonie eingesetzt. In diesem Projekt wird dieser Ansatz nicht genutzt. Es werden präoperative Untersuchungen durchgeführt und die Patientenmerkmale aufgezeichnet. Daher ist der resultierende Algorithmus kein dynamischer/Echtzeit-Dateneingabealgorithmus.

Die einfache Aufzeichnung präoperativer Merkmale, das Fehlen der Notwendigkeit einer invasiven arteriellen Überwachung und die potenzielle Anwendbarkeit machen die Entwicklung des Algorithmus praktischer. Der entwickelte Algorithmus wird praktisch in der Anwendung sein.

Der zu trainierende Algorithmus wird, ähnlich wie in der Studie von Hatib et al., das Risiko einer Hypotonie in Prozent angeben.

KI und ihre Teilmenge, die Algorithmen des maschinellen Lernens, wirken sich auf jeden Aspekt unseres Lebens aus. Im medizinischen Bereich hat es sich zu einer Methode entwickelt, insbesondere zur Reduzierung menschlicher Fehler bei der klinischen Entscheidungsfindung.

In dieser Studie werden demografische Informationen, Vitalfunktionen, spezifische Blutparameter und bestimmte Merkmale im Zusammenhang mit der Verabreichung einer Spinalanästhesie systematisch für schwangere Frauen erfasst, die sich einer Spinalanästhesie unterziehen. Zu den Blutparametern gehören ein großes Blutbild, Serumelektrolyte, Leberenzymwerte (ALT/AST) und Syndecan-1. Alle Blutparameter sind im Original-Studienprotokoll aufgeführt. Syndecan-1 ist ein Molekül, das beim Abbau oder der Schädigung der vaskulären endothelialen Glykokalyxschicht in das Serum abgegeben wird. Sie steigt insbesondere bei Volumenbelastung, Sepsis oder entzündlichen Prozessen an. Der Syndecan-1-Serumspiegel steigt mit fortschreitender Schwangerschaftswoche an, wobei der stärkste Anstieg zwischen der 20. und 30. Woche auftritt. Wenn sich in späteren Stadien der Schwangerschaft eine Präeklampsie entwickelt, sinken die Syndecan-1-Spiegel.

Die Syndecan-1-Spiegel bei hypertensiven Schwangerschaften ändern sich im Vergleich zu normalen Schwangerschaften nicht wesentlich, es wurden jedoch Unterschiede bei den Syndecan-1-Spiegeln bei Vorliegen einer Präeklampsie beobachtet. Daher werden, wie im Abschnitt „Methoden“ erwähnt, schwangere Frauen mit Bluthochdruck und Präeklampsie nicht in die Studie einbezogen.

In einer Studie, in der die präoperativen und postoperativen Syndecan-1-Spiegel bei Kaiserschnittpatienten untersucht wurden, die sich einer Spinalanästhesie unterzogen, wurde ein signifikanter Unterschied festgestellt. Die Studie kam zu dem Schluss, dass die präoperative prophylaktische Verabreichung eines Flüssigkeitsbolus den Abbau der endothelialen Glykokalyx beeinflusste. Basierend auf dieser Studie hat Syndecan-1 das theoretische Potenzial, ein neuer Marker zur Vorhersage von Hypotonie zu sein. Obwohl Syndecan-1 bereits bei schwangeren Frauen untersucht wurde, gibt es in der Literatur keine Studie, die den Zusammenhang zwischen präoperativen Syndecan-1-Spiegeln und Hypotonie während der Spinalanästhesie bei Kaiserschnittpatienten untersucht. Diese Studie wird sowohl den Zusammenhang zwischen Syndecan-1 und Hypotonie untersuchen als auch seinen Platz im entwickelten Algorithmus bewerten.

Nach der Erfassung der Ausgangsdaten jedes Patienten wird die Entwicklung einer Hypotonie beobachtet und dokumentiert. Die gesammelten Daten werden analysiert, um die Beziehungen zwischen dem Auftreten oder Nichtauftreten einer Hypotonie nach der Induktion zu untersuchen. Darüber hinaus wird anhand dieser Daten ein Algorithmus für künstliche Intelligenz entwickelt. Das primäre Ziel ist die Entwicklung des Algorithmus. Während der Studie wird es keine Änderungen im Anästhesiemanagement der schwangeren Frauen geben.

In diesem Zusammenhang zielt der entwickelte Algorithmus darauf ab, eine durch eine Spinalanästhesie verursachte Hypotonie frühzeitig zu erkennen (das Risiko einer Hypotonie bereits vor Beginn der Operation vorherzusagen) und einen frühzeitigen Beginn der Behandlung zu ermöglichen.

Methode:

Zeitpunkt des Projekts: Die ethische Genehmigung für das Projekt wurde vom Ethikausschuss für nicht-interventionelle klinische Forschung der Hacettepe-Universität erteilt. Das Projekt soll zwischen November 2023 und April 2024 durchgeführt werden.

Methodik und Datenerfassungstools des Projekts:

Daten von Patienten, die die Einschlusskriterien im Operationssaal erfüllen, werden aus Routinetestergebnissen gewonnen, die nach dem Krankenhausaufenthalt wegen Kaiserschnitt gesendet werden, präoperative Beobachtungsformulare für Krankenschwestern und Aufzeichnungen von Vitalfunktionen, die während der Operation durch Anästhesie überwacht werden. Nachdem der Patient in den Operationssaal gebracht wurde, werden die Informationen im Datenerfassungsformular vom Anästhesisten ausgefüllt. Die Dauer der Hypotonie nach einer Spinalanästhesie beginnt bei schwangeren Frauen unmittelbar nach der Verabreichung des Anästhetikums und erreicht ihren niedrigsten Wert innerhalb von etwa 10–15 Minuten. Es ist bekannt, dass sich der Zustand innerhalb von 20 bis 30 Minuten wieder normalisiert. Die Dauer der Hypotonie kann jedoch abhängig von Faktoren wie dem Gestationsalter, der Anästhesiedosis, dem allgemeinen Gesundheitszustand des Patienten und anderen Faktoren variieren. Insbesondere bei schwangeren Frauen mit hohen Anästhesiedosen oder Bluthochdruck kann die Dauer der Hypotonie länger sein. Daher muss die Dauer der Hypotonie für jeden Patienten individuell beurteilt werden. In dieser Studie wird jedoch die Beobachtung während der ersten 15 Minuten bevorzugt. Diese Präferenz wird getroffen, weil der Algorithmus eine spinal induzierte Hypotonie basierend auf präoperativen Merkmalen vorhersagt. Aufgrund des verlängerten Beobachtungszeitraums, des Auftretens einer Geburt, des Anstiegs des Herzzeitvolumens und des Beginns der Oxytocin-Infusion während der Operation ist die Hämodynamik eine komplexe Situation, die von mehreren unabhängigen Faktoren beeinflusst wird. Die Datenerfassung endet nach den ersten 15 Minuten und eine nach der 15. Minute auftretende Hypotonie wird für die Studie nicht erfasst. Die Beobachtung wird beendet.

Erhebung von Projektdaten:

Bevor Patienten in den Operationssaal gebracht werden, wird eine ausreichende Menge Blut aus den routinemäßigen Blutproben entnommen, die dem Patienten vor der Entbindung für die Blutparameter entnommen werden. Mit Ausnahme von Syndecan-1 handelt es sich bei den anderen Parametern in den Blutparametern um Routinetests, die routinemäßig in den Biochemielabors des Universitätsklinikums Hacettepe durchgeführt werden.

Bei der Messung von Syndecan-1 werden Absorptionsmessungen mit dem SpectraMax-M2-Gerät (Molecular Devices, USA) durchgeführt, das sich in der Abteilung für Biochemie der Hacettepe-Universität befindet. Anschließend werden die Syndecan-1-Spiegel im Serum mit dem Programm GraphPad Prism basierend auf dem Standarddiagramm berechnet. Die Beschaffung der notwendigen ELISA-Kits für die Syndecan-1-Messung erfolgt mit Mitteln des Wissenschaftlichen Forschungs- und Projektbüros der Hacettepe-Universität.

Datenanalyse:

In allen Schritten der Algorithmusentwicklung wird die Programmiersprache Python verwendet. Der Entwicklungsprozess des Algorithmus für künstliche Intelligenz folgt den Leitlinien „Guidelines for Developing and Reporting Machine Learning Predictive Models in Biomedical Research: A Multidisciplinary View“. Die Schritte sind wie folgt:

• Datenerfassung: Die Daten werden durch Ausfüllen des Datenerfassungsformulars erfasst.
• Datenverarbeitung: Nach der Datenerfassung werden die Daten verarbeitet und nach dem Zufallsprinzip in Trainingsdaten und interne Validierungsdaten aufgeteilt. Die Daten werden von Artefakten und Fehlinterpretationen bereinigt.
• Anmerkung: Die Daten werden für die Klassifizierung der künstlichen Intelligenz gekennzeichnet und die Definition von Hypotonie wird kommentiert. Es werden Studien durchgeführt, um das Potenzial der Erkennung von Hypotonie mithilfe künstlicher Intelligenz zu ermitteln.
• Feature-Auswahl: Es werden Features ausgewählt, die kommentierte Ereignisse weitestgehend vorhersagen. Für diesen Prozess werden ein oder mehrere Merkmalsauswahlalgorithmen verwendet, und die Merkmale werden basierend auf dem in den Modellen erzielten Erfolg ausgewählt.
• Modellerstellung: Die relevantesten Merkmale in den Daten werden ausgewählt und ein Modell entwickelt. Grundlegende Klassifizierungsalgorithmen wie K-Nearest Neighbors, Support Vector Machines (SVM), Entscheidungsbäume und Random Forest, die in der Literatur häufig für Klassifizierungsprozesse verwendet werden, werden verwendet, um grundlegende Leistungsverhältnisse zu erhalten. Anschließend wird eine Deep-Learning-Methode entwickelt und der Leistungsunterschied zwischen der vorgeschlagenen Methode und den Basismethoden untersucht

Kreuzvalidierung: Die Leistung der ersten Version des Modells wird wiederholt einer Kreuzvalidierung mit Untergruppen von Daten unterzogen, die das Modell noch nie zuvor gesehen hat. Dadurch wird die Leistung des Modells bestimmt, indem Leistungsänderungen untersucht werden, wenn die Daten variieren. Abhängig von der Datengröße werden entweder 10-fache Kreuzvalidierungs- oder 5-fache Kreuzvalidierungsmethoden eingesetzt.

Interne Validierung: Die Vorhersageleistung des mit den Trainingsdaten trainierten Algorithmus wird anhand interner Validierungsdaten bewertet, auf die er noch nie gestoßen ist.

Wenn die zu vergleichenden Variablen normalverteilt sind, können zusätzlich zum Algorithmusentwicklungsprozess statistische Tests wie ANOVA; Basierend auf der Anzahl der verglichenen Gruppen und der Normalverteilungsanalyse der Variablen werden der Student-T-Test und der Mann-Whitney-U-Test verwendet. Die Pearson-Korrelationsanalyse und die Spearman-Korrelationsanalyse werden verwendet, um die Beziehung zwischen Hypotoniewerten und anderen kontinuierlichen Parametern basierend auf der Normalverteilungsanalyse von Variablen zu analysieren. Darüber hinaus wird die Vorhersagbarkeit des Systems anhand von Sensitivität, Spezifität, positivem Vorhersagewert (PPV), negativem Vorhersagewert (NPV), Odds Ratio (OR), Risikoverhältnis (RR), Betriebskennlinie des Empfängers und Fläche unter der Kurve getestet (AUROC) und Pearson-Korrelationskoeffiziententests (r). Ein statistisches Signifikanzniveau von p<0,05 wird akzeptiert. Für die statistische Analyse wird die Software Statistical Packages for the Social Sciences v26.0 (SPSS Inc., Chicago, IL) verwendet.