AiCR: tekoäly sydämenpysähdyksissä (AiCR)

Sydän-hengityspysähdysten kokonaisesiintyvyys Euroopassa on arviolta 350 000–700 000 tapausta vuodessa. Eloonjäämisasteen arvioidaan olevan 10,7 % kaikista rytmihäiriöistä yhteensä.

Tekoälyn soveltamisesta lääketieteen alalla on useita esimerkkejä. Ting ym. ovat kehittäneet tietokonetyökalun, joka pystyy diagnosoimaan diabeettisen retinopatian esiintymisen erinomaisella teholla. Elvytyksessä Celi ym. ehdottivat työkalua, joka pystyy ennustamaan kristalloidisten verisuonten täytön tarpeen systeemisen tulehdustilan aikana. Vuonna 2018 Naturessa Komorowski osoitti tekoälyn tehokkuuden sepsiksen hemodynaamisessa hoidossa. Tutkimuksessa munuaisten vasteesta nestehaasteelle Zhang et ai. osoittavat oppimiskoneen tehokkuuden.

Tavoitteet: Sellaisen algoritmin määrittäminen, joka pystyy ennustamaan ACR:n vuoksi tehohoitoyksiköille (ICU) otettujen potilaiden kuolleisuuden sairaalahoitoraporteista (CRH). Algoritmin käyttö myös pysäyttämisen uusiutumisen riskin ennustamiseen, mekaanisen ventilaation keston, sepsiksen ilmaantumisen, elinten vajaatoiminnan kehittymisen, CPC:n (Cerebral Performance Category) ennustamiseen, katekoliamiinin vieroitusajan saamiseen, esiintyminen akuutista munuaisten vajaatoiminnasta, johon liittyy munuaisten ulkopuolisen puhdistuksen (EER) tarve tai ilman, ja EER:n kesto, keskimääräinen oleskelun kesto.

Tämä projekti on osa suurempaa, valtakunnallista voimakkaampaa hanketta ja sisältää kaiken tehohoidossa sairaalahoidon aikana syntyvän datan.

Menetelmä: arvioitu tähän tutkimukseen osallistuvien potilaiden kokonaismäärä on 300–500. Väestö tulee Nizzan, Antibesin, Cannesin ja Grassen tehohoitoyksiköistä.

Sisällyttäminen on retrospektiivinen, CRH, CR CT-kuvauksesta (aivo- ja thoraco-abdomino-lantio), MRI, EEG ja päivittäiset seurantasanat vuodesta 2014 vuoden 2020 loppuun.

Anonymisoinnin jälkeen semantisoinnin soveltaminen luonnollisen kielen käsittelymenetelmillä (NLP). Poimittavat tiedot kirjataan tehohoidon lääkäreiden kirjoittamaan asiakirjaan. Nämä tiedot tallennetaan sitten tietokantaan. Päätavoitteen saavuttamiseksi kehitämme tietokonealgoritmin, joka pystyy ennustamaan kuolleisuutta tutkimuspopulaatiossa. Tämä suureen tietokantaan perustuva algoritmi voidaan suunnitella käyttämällä koneoppimista tai jopa syväoppimistekniikoita riippuen käsiteltävän datan määrästä.