Risikoanalyse des intrakraniellen Aneurysma -Bruchs durch soziale Determinanten der Gesundheit (ARAMISS)

Intrakranielle Aneurysmen (IA), die häufigste intrakranielle arterielle Fehlbildung, betreffen ungefähr 3% der Weltbevölkerung. Sie sind durch eine Dilatation der Gefäßwand innerhalb des intrakraniellen Bereichs gekennzeichnet, typischerweise bei einer Bifurkation. Die am meisten gefürchtete Komplikation von IA ist Bruch, was mit hoher Morbidität und Mortalität verbunden ist. Etwa 30% der Patienten sind mit Tod oder schwerer Behinderung ausgesetzt, und selbst bei Patienten ohne sichtbare Folgen leiden bis zu 50% unter unsichtbaren Behinderungen wie kognitiven Problemen. Dies erklärt die erhebliche wirtschaftliche Belastung durch gebrochenes IAS, die in Großbritannien auf rund 168 Millionen Pfund pro Jahr geschätzt wird.

Eine Möglichkeit, diese Morbidität und gesellschaftliche Belastung zu verringern, besteht darin, Patienten mit hohem Rissrisiko zu identifizieren, um diejenigen zu bestimmen, die am wahrscheinlichsten das Fortschreiten der Krankheiten haben. Es wurden verschiedene Initiativen wie die Auslöser, Phasen und UCAS -Werte entwickelt, um das Bruchrisiko in der routinemäßigen klinischen Praxis zu bewerten. Diese Ergebnisse beruhen jedoch weitgehend auf bekannte veränderbare und nicht modifizierbare Risikofaktoren wie ethnische Zugehörigkeit, Bluthochdruck, Geschlecht, Alter, Rauchen und Geschichte von Subarachnoidalblutungen. Trotz ihres Nutzens sind sie nicht ausreichend, um das Bruchrisiko zuverlässig zu schichten und es um ungefähr 30%zu unterschätzen, was ihre Auswirkungen auf die tägliche Praxis einschränkt.

Neuere Forschungen haben aufkommende Risiken und Schutzfaktoren wie das Schlafapnoe-Syndrom, die Lipidkontrolle und die Verwendung von antidiabetischen, lipidsenkenden oder blutdrucksenkenden Behandlungen identifiziert. Daher ist es notwendig, das IA -Bruchrisiko zu überdenken, indem diese Faktoren in Bezug auf die Lebensumgebung der Patienten berücksichtigt werden.

Soziale Determinanten der Gesundheit (SDOH) spielen in diesem Zusammenhang eine entscheidende Rolle. SDOH definiert als die Lebensbedingungen, die die Gesundheit von Individuen und Bevölkerung beeinflussen, umfassen breite Faktoren wie Alter, ethnische Zugehörigkeit und Geschlecht sowie Suchtverhalten, Einkommensniveau, Umweltbelastung und sozialer Status. Es wird geschätzt, dass sie zu über 80% der Gesundheitsergebnisse der Bevölkerung beitragen. Bei Gefäßerkrankungen ist SDOH -Such als niedriges Bildungsniveau, begrenztes Einkommen, soziale Isolation und niedrige körperliche Aktivität, dass sie sich über traditionelle Risikofaktoren hinaus beeinflussen. Die WHO schätzt, dass Gefäßkrankheiten die weltweit führende Ursache für die Sterblichkeit sind. Jährlich 17,7 Millionen Todesfälle, von denen die Hälfte vermeidbar ist. Das Verständnis und die Bekämpfung von SDOH ist daher für die Prävention der öffentlichen Gesundheit von entscheidender Bedeutung.

Erste Studien zu den Auswirkungen von SDOH auf die IA -Bruch sind begrenzt und konzentrieren sich häufig auf einzelne Determinanten. Ein umfassenderer Ansatz für SDH ist erforderlich, insbesondere angesichts der mangelnden Konsensrichtlinien für das IA -Management. Aktuelle therapeutische Optionen, während sie fortgeschritten sind, tragen immer noch die perioperative Morbidität. Multivariable Modellierung und gewichtete Verbundwerte können dazu beitragen, die Komplexität klinischer und Umweltfaktoren zu berücksichtigen.

SDH -Daten werden routinemäßig in medizinischen Unterlagen erfasst und über Krankenhausinformationssysteme zunehmend digitalisiert. Health Data Warehouses (HDWS), wie das am Nantes University Hospital, integrieren strukturierte und unstrukturierte Daten von Millionen von Patienten, die ihre Wiederverwendung für Forschungszwecke ermöglichen. Das Aufkommen der künstlichen Intelligenz (KI) hat es ermöglicht, diese Daten zu extrahieren und zu analysieren, wodurch Einblicke aus zuvor unzugänglichen Informationen aufgedeckt wurden.

Die natürliche Sprachverarbeitung (NLP), ein Ast der KI, ermöglicht die automatisierte Extraktion von Informationen aus textuellen medizinischen Unterlagen, wodurch das Potenzial unstrukturierter Daten innerhalb von HDWs entrückt wird. Hochmoderne Modelle wie Bert, Chatgpt, Lama und Mistral können große Textvolumina verarbeiten und analysieren. Die Anwendung von NLP auf nicht englische Sprachen wird jedoch durch mangelnde annotierte Korpora, Datenschutzbedenken und Datensouveränitätsvorschriften eingeschränkt.

Das Aramiss -Projekt zielt darauf ab, die Wechselwirkung zwischen SDH und bekannten Risikofaktoren für IA -Bruch zu untersuchen und Patienten mit ungeheltem IAS mit geknackten IAS zu vergleichen. Unter Verwendung von SDH klassifizieren das Projekt Patienten in Risikogruppen und analysiert Patientendaten räumlich über APIs wie DataGouV. Darüber hinaus wird sich das Projekt auf die Entwicklung fairer (findbarer, zugänglicher, interoperabler, wiederverwendbarer) Methoden konzentrieren, um ihre Algorithmen und die Schulung von Korpora mit der biomedizinischen Gemeinschaft zu teilen und gleichzeitig die Einhaltung der regulatorischen Einhaltung zu erhalten.