KI-gestützte Vorhersage und Behandlung von Herzstillstand

Plötzlicher Herzstillstand (SCA) bleibt eine Hauptursache für Mortalität in den Vereinigten Staaten. Trotz erheblicher Anstrengungen, die Reanimationsergebnisse zu verbessern, bleibt die Überlebensrate gering. Darüber hinaus ist SCA oft die erste Manifestation einer zugrunde liegenden Herzerkrankung, nach der Überlebende typischerweise aufgrund der primären Schädigung an sekundären chronischen kardiovaskulären und neurologischen Erkrankungen leiden. Die Reanimation bei SCA wird bei Patienten eingeleitet, die unter lebensbedrohlichen Arrhythmien leiden, im Allgemeinen ventrikuläre Tachykardie/Fibrillation (VT/VF) oder pulslose elektrische Aktivität (PEA), und wenn sie erfolgreich ist, folgt eine Rückkehr des spontanen Kreislaufs (ROSC). Dies wird jedoch häufig von wiederholten erneuten Stillständen aufgrund von VT/VF, PEA oder Asystolie gefolgt. Wichtig ist, dass die Mechanismen von VT/VF und PEA erheblich variieren und protokollierte, nicht gezielte Behandlungen die Ergebnisse verschlechtern können. Derzeit werden Behandlungen typischerweise nach dem Auftreten eines erneuten Stillstands eingeleitet und ohne Berücksichtigung der einzigartigen persönlichen oder Stillstandsmerkmale eines individuellen Patienten, Faktoren, die als bekannte Prädiktoren für Herzstillstandsergebnisse gelten. Jüngste Studien haben gezeigt, dass eine schnellere und gezieltere Behandlungsreaktion (d.h. kürzere Zeit bis zur Behandlung mit stillstandstyp-spezifischer Behandlung) bei Herzstillstand die Überlebensrate und die nachfolgenden chronischen Folgen nach SCA signifikant verbessern kann. Daher könnte die Fähigkeit, das Auftreten und die Ursache eines Herzstillstands oder erneuten Stillstands (d.h. VT/VF und PEA) vorherzusagen, eine frühe personalisierte Therapie leiten und letztlich die Reanimationsergebnisse verbessern, was das langfristige translationale Ziel dieser Bemühungen ist. Darüber hinaus könnte eine frühzeitige Intervention in ländlichen Gemeinden entscheidend sein, wo die Transportzeiten zur endgültigen Krankenhausversorgung lang sind und die Ressourcen begrenzt sind.

In laufenden Arbeiten haben die Forscher kürzlich bei Notfallmedizinischen Diensten (EMS) beobachtet, dass die Hinzufügung klinischer Parameter (z.B. Alter, primärer Stillstandstyp) zu Merkmalen, die von der EKG-T-Welle abgeleitet werden, in einem maschinellen Lernmodell (ML) die Vorhersagegenauigkeit von VT/VF und PEA (>90%) verbessert. Die Forscher schlagen eine Machbarkeitsstudie zur ML-gestützten Vorhersage von erneuten Stillständen vor. Die Gesamthypothese ist, dass ein EKG-Biomarker in Kombination mit klinischen Merkmalen erneute Stillstände und ihre Ursache (VT/VF oder PEA) vorhersagen kann, was die Zeit bis zur Behandlung und die akuten und chronischen Ergebnisse bei Herzstillstand signifikant verbessern wird. Die Forscher nehmen weiterhin an, dass eine solche Technologie von Notfallhelfern leicht übernommen und erfolgreich implementiert werden kann. Die Forscher planen zwei miteinander verbundene klinische Studien, eine eine Beobachtungsstudie bei simuliertem Herzstillstand und eine zweite Beobachtungsstudie bei EMS-Patienten. Die folgenden spezifischen Ziele werden diese Hypothesen testen.

Ziel 1. Bestimmung der Endnutzerleistung und -zufriedenheit mit einem vollautomatischen, ML-gestützten Vorhersagegerät für erneute Stillstände unter Verwendung simulierter Herzstillstandsszenarien. Notfallversorger werden in simulierten Echtzeit-Reanimationsszenarien mit echten EKG-Aufzeichnungen von erneuten Stillständen untersucht, um Hindernisse und Förderfaktoren für die Technologieimplementierung und -übernahme sowie die Zufriedenheit der Anbieter und den wahrgenommenen Wert der Intervention zu identifizieren. Dies wird durch die Bestimmung von Leistungskennzahlen der Anbieter (z.B. Einleitung ML-gestützter Therapien) und die Verwendung qualitativer Werkzeuge zur Bewertung des Engagements, des Vertrauens und des wahrgenommenen Nutzens der Endnutzer erreicht. Diese Studien werden grundlegende Daten für die Implementierung und Skalierbarkeit der Technologie sowohl für eine klinische Studie als auch für die zukünftige FDA- und regulatorische Zulassung liefern.

Ziel 2. Testen der Genauigkeit eines multiklassigen ML-Modells zur Echtzeit-Vorhersage des Auftretens von erneuten Stillständen und ihres Typs (VT/VF vs. PEA) sowie der Auswirkungen auf die Zeit bis zur Behandlung in einer Beobachtungsstudie bei Herzstillstandspatienten. Durch Nutzung einer laufenden Zusammenarbeit mit Cleveland und kommunalen EMS werden die Forscher EMS-Herzstillstandspatienten in eine Machbarkeitsbeobachtungsvalidierungsstudie aufnehmen und auf das Auftreten von erneuten Stillständen beobachten. Die Genauigkeit des vollautomatischen ML-Modells zur Vorhersage von erneuten Stillständen und ihres Typs wird bestimmt, aber die Behandlungsanleitung wird zu diesem Zeitpunkt nicht getestet. Die Anbieter werden gegenüber der ML-Ausgabe verblindet sein, und ML wird die Behandlung nicht lenken. Offline werden die Vorhersagegenauigkeit und die geschätzte Zeit bis zur ML-gestützten Behandlungsentscheidung mit dem tatsächlichen Typ des erneuten Stillstands und dem Zeitpunkt der Behandlung verglichen. Diese Ergebnisse werden vorläufige Sicherheits- und Genauigkeitsergebnisse, Schätzungen der Stichprobengröße sowie Rekrutierungs- und Einwilligungsprozesse für eine zukünftige randomisierte kontrollierte klinische Studie zur Prüfung ML-gestützter Behandlungen bei erneuten Stillständen liefern.