DESARROLLO DE UN ALGORITMO DE INTELIGENCIA ARTIFICIAL PARA PREDECIR EL RIESGO DE HIPOTENSIÓN TRAS INDUCCIÓN EN CESÁREAS CON ANESTESIA ESPINAL

Justificación: La cesárea, cuando se indica correctamente, es un método de parto que preserva la salud tanto de la madre como del bebé. Las tasas de nacimientos por cesárea llevan años aumentando en todo el mundo. Entre 2010 y 2018, el 21,1% de los nacimientos rastreados a nivel mundial se realizaron por cesárea. Según la Organización Mundial de la Salud (OMS), se espera que esta tasa aumente hasta alcanzar el 29% para el año 2030.

La anestesia para la cesárea está fundamentalmente influenciada por los cambios tanto fisiológicos como patológicos inducidos por el embarazo en el cuerpo de la madre. Los cambios que ocurren durante el embarazo y el parto, y las diferencias resultantes, pueden presentar desafíos para los anestesiólogos.

En los países desarrollados, el 78% de las cesáreas electivas se han realizado con anestesia espinal, lo que la convierte en la técnica más utilizada por los anestesiólogos. La anestesia espinal induce un bloqueo simpático iatrogénico, lo que reduce la resistencia vascular sistémica junto con la vasodilatación arterial y venosa, lo que provoca hipotensión. La incidencia de hipotensión tras anestesia espinal en mujeres embarazadas oscila entre el 7,4% y el 74%, según informaron Klöhr et al. La frecuencia de hipotensión es mayor en mujeres embarazadas debido a factores como el síndrome de hipotensión supina causado por la compresión de la vena cava inferior fetal y el desarrollo del plexo venoso colateral en el área epidural, lo que lleva al ascenso del anestésico local intratecal en el líquido cefalorraquídeo. La profundización de la hipotensión y la bradicardia en el paciente puede provocar colapso cardíaco, hipoxia fetal y acidosis, lo que supone un riesgo impredecible para la salud materna y fetal. El papel de los anestesiólogos es prevenir o controlar esta condición de riesgo de manera efectiva.

Los avances recientes en aprendizaje profundo e inteligencia artificial (IA) han encontrado su lugar en el campo de la anestesia. Las aplicaciones de la IA en anestesia se pueden clasificar en cinco áreas principales: 1) Monitoreo de la profundidad de la anestesia (por ejemplo, técnicas que analizan datos de EEG durante la anestesia), 2) Control de la administración del fármaco anestésico basado en la profundidad de la anestesia, 3) Predicción de eventos, 4) Orientación ecográfica, y 5) Manejo del dolor.

Entre estas aplicaciones, la predicción de eventos es particularmente crítica para los anestesiólogos. Conocer un evento antes de que ocurra contribuye a su prevención o permite una gestión más precisa. Ha habido 53 estudios en la literatura que utilizan IA para la predicción de eventos, incluidos estudios que desarrollan algoritmos para predecir la hipotensión durante la cirugía y validan estos algoritmos. Lo que distingue a este proyecto de los estudios existentes son:

Estos estudios no se han desarrollado específicamente para predecir la hipotensión inducida por la anestesia espinal durante las cesáreas.

Estos estudios han utilizado principalmente análisis de ondas (no invasivos o invasivos) para predecir la hipotensión. En este proyecto, este enfoque no se utilizará. Se realizarán evaluaciones preoperatorias y se registrarán las características del paciente. Por lo tanto, el algoritmo resultante no será un algoritmo de entrada de datos dinámico/en tiempo real.

La facilidad para registrar las características preoperatorias, la ausencia de la necesidad de monitorización arterial invasiva y el potencial de aplicabilidad hacen que el desarrollo del algoritmo sea más práctico. El algoritmo desarrollado será práctico de usar.

El algoritmo a entrenar, similar al estudio de Hatib et al., informará el riesgo de hipotensión en términos porcentuales.

La IA y su subconjunto, los algoritmos de aprendizaje automático, impactan todos los aspectos de nuestras vidas. En el campo médico, se ha convertido en un método, especialmente para reducir el error humano en la toma de decisiones clínicas.

En este estudio, se registrará sistemáticamente información demográfica, signos vitales, parámetros sanguíneos específicos y ciertas características relacionadas con la administración de anestesia espinal para mujeres embarazadas sometidas a anestesia espinal. Los parámetros sanguíneos incluyen hemograma completo, electrolitos séricos, niveles de enzimas hepáticas (ALT/AST) y Syndecan-1. Todos los parámetros sanguíneos se enumeran en el protocolo del estudio original. Syndecan-1 es una molécula que se elimina en el suero con la degradación o daño de la capa del glucocáliz endotelial vascular. En particular, aumenta durante la carga de volumen, la sepsis o los procesos inflamatorios. Los niveles séricos de Syndecan-1 aumentan a medida que avanzan las semanas de embarazo, y el aumento más significativo se produce entre las semanas 20 y 30. Si la preeclampsia se desarrolla en las últimas etapas del embarazo, los niveles de Syndecan-1 disminuyen.

Los niveles de Syndecan-1 en embarazos hipertensos no cambian significativamente en comparación con los embarazos normales, pero se han observado diferencias en los niveles de Syndecan-1 en presencia de preeclampsia. Por tanto, como se menciona en la sección de métodos, las mujeres embarazadas hipertensas y preeclámpticas no serán incluidas en el estudio.

En un estudio que examinó los niveles preoperatorios y posoperatorios de Syndecan-1 en pacientes con cesárea que se sometieron a anestesia espinal, se encontró una diferencia significativa. El estudio concluyó que la administración preoperatoria de bolos de líquido profiláctico afectaba la degradación del glucocáliz endotelial. Según este estudio, Syndecan-1 tiene el potencial teórico de ser un nuevo marcador para predecir la hipotensión. Aunque Syndecan-1 se ha estudiado anteriormente en mujeres embarazadas, no hay ningún estudio en la literatura que examine la relación entre los niveles preoperatorios de Syndecan-1 y la hipotensión durante la anestesia espinal en pacientes con cesárea. Este estudio investigará la relación entre Syndecan-1 y la hipotensión y evaluará su lugar en el algoritmo desarrollado.

Después de registrar los datos iniciales de cada paciente, se observará y documentará el desarrollo de la hipotensión. Los datos recopilados se analizarán para examinar las relaciones entre la aparición o no de hipotensión después de la inducción. Además, se desarrollará un algoritmo de inteligencia artificial a partir de estos datos. El objetivo principal es desarrollar el algoritmo. Durante el estudio no habrá cambios en el manejo de la anestesia aplicada a las mujeres embarazadas.

En este contexto, el algoritmo desarrollado tiene como objetivo identificar tempranamente la hipotensión causada por la anestesia espinal (prediciendo el riesgo de hipotensión antes de que comience la operación) y permitir el inicio temprano del tratamiento.

Método:

Momento del proyecto: La aprobación ética del proyecto ha sido otorgada por la Junta de Ética en Investigación Clínica No Intervencionista de la Universidad Hacettepe. Está previsto que el proyecto se lleve a cabo entre noviembre de 2023 y abril de 2024.

Metodología y Herramientas de Recolección de Datos del Proyecto:

Los datos de los pacientes que cumplan con los criterios de inclusión en el Quirófano se obtendrán de los resultados de las pruebas de rutina enviados después de la hospitalización por cesárea, formularios de observación preoperatoria de enfermeras y registros de signos vitales monitoreados por anestesia durante la cirugía. Después de que el paciente sea llevado al quirófano, el anestesiólogo completará la información del formulario de recopilación de datos. La duración de la hipotensión después de la anestesia espinal comienza inmediatamente después de la administración de la anestesia en mujeres embarazadas y alcanza su nivel más bajo en aproximadamente 10 a 15 minutos. Se sabe que vuelve a la normalidad en 20 a 30 minutos. Sin embargo, la duración de la hipotensión puede variar según factores como la edad gestacional, la dosis de anestesia, el estado de salud general del paciente y otros factores. Especialmente en mujeres embarazadas con dosis altas de anestesia o hipertensión, la duración de la hipotensión puede ser más prolongada. Por tanto, la duración de la hipotensión debe evaluarse individualmente para cada paciente. Sin embargo, en este estudio se prefiere la observación durante los primeros 15 minutos. Esta preferencia se hace porque el algoritmo predice la hipotensión inducida por la columna según las características preoperatorias. Con el período de observación prolongado, la aparición del parto, el aumento del gasto cardíaco y el inicio de la infusión de oxitocina durante la operación hacen de la hemodinámica una situación compleja afectada por múltiples factores independientes. La recopilación de datos finalizará después de los primeros 15 minutos y la hipotensión que ocurra después del minuto 15 no se registrará para el estudio; se dará por terminada la observación.

Recopilación de datos del proyecto:

Antes de llevar a los pacientes al quirófano, se extraerá una cantidad adecuada de sangre de las muestras de sangre de rutina previas al parto tomadas del paciente para los parámetros sanguíneos. A excepción de Syndecan-1, los demás parámetros de los parámetros sanguíneos son pruebas de rutina que se realizan de forma rutinaria en los laboratorios de bioquímica del Hospital Universitario de Hacettepe.

Al medir el sindecan-1, las lecturas de absorbancia se realizarán utilizando el dispositivo SpectraMax-M2 (Molecular Devices, EE. UU.) ubicado en el Departamento de Bioquímica de la Universidad Hacettepe. Posteriormente, los niveles séricos de sindecan-1 se calcularán utilizando el programa GraphPad Prism según el gráfico estándar. La adquisición de los kits ELISA necesarios para la medición del sindecan-1 se llevará a cabo mediante financiación obtenida de la Oficina de Proyectos e Investigación Científica de la Universidad Hacettepe.

Análisis de los datos:

A lo largo de los pasos del desarrollo del algoritmo, se utilizará el lenguaje de programación Python. El proceso de desarrollo del algoritmo de inteligencia artificial seguirá las Directrices para el desarrollo y generación de informes de modelos predictivos de aprendizaje automático en investigación biomédica: una visión multidisciplinaria. Los pasos son los siguientes:

• Recolección de datos: Los datos se registrarán completando el Formulario de recolección de datos.
• Procesamiento de datos: después de la recopilación de datos, los datos se procesarán y se dividirán aleatoriamente en datos de entrenamiento y datos de validación interna. Los datos se limpiarán de artefactos y lecturas erróneas.
• Anotación: los datos se etiquetarán para la clasificación de la inteligencia artificial y se anotará la definición de hipotensión. Se realizarán estudios para determinar el potencial de detectar hipotensión con inteligencia artificial.
• Selección de funciones: se elegirán las funciones que predigan los eventos anotados en la mayor medida. Para este proceso se utilizarán uno o más algoritmos de selección de características, y las características se seleccionarán en función del éxito logrado en los modelos.
• Creación del modelo: se seleccionarán las características más relevantes de los datos y se desarrollará un modelo. Para obtener índices de rendimiento básicos, se emplearán algoritmos de clasificación fundamentales, como K-vecinos más cercanos, máquinas de vectores de soporte (SVM), árboles de decisión y bosque aleatorio, comúnmente utilizados para procesos de clasificación en la literatura. Posteriormente, se desarrollará un método de aprendizaje profundo y se examinará la diferencia de rendimiento entre el método propuesto y los métodos básicos.

Validación cruzada: el rendimiento de la versión inicial del modelo se someterá repetidamente a validación cruzada con subgrupos de datos que el modelo nunca antes había visto. Esto determinará el rendimiento del modelo examinando los cambios de rendimiento a medida que varían los datos. Dependiendo del tamaño de los datos, se emplearán métodos de validación cruzada de 10 o 5 veces.

Validación interna: el rendimiento predictivo del algoritmo entrenado con los datos de entrenamiento se evaluará utilizando datos de validación interna que nunca ha encontrado.

Además del proceso de desarrollo del algoritmo, si las variables que se comparan tienen una distribución normal, se pueden realizar pruebas estadísticas como ANOVA; Se utilizarán la prueba t de Student y la prueba U de Mann-Whitney en función del número de grupos comparados y el análisis de distribución normal de variables. Se utilizarán el análisis de correlación de Pearson y el análisis de correlación de Spearman para analizar la relación entre los valores de hipotensión y otros parámetros continuos basados ​​en el análisis de distribución normal de variables. Además, la previsibilidad del sistema se probará utilizando sensibilidad, especificidad, valor predictivo positivo (VPP), valor predictivo negativo (VPN), odds ratio (OR), riesgo ratio (RR), curva característica operativa del receptor y área bajo la curva. (AUROC) y pruebas del coeficiente de correlación de Pearson (r). Se aceptará un nivel de significación estadística de p<0,05. Para el análisis estadístico, se utilizará el software Statistical Packages for the Social Sciences v26.0 (SPSS Inc., Chicago, IL).