Embolisen aivohalvauksen 3D-simulaatioiden validointi

Aivohalvaus vaikuttaa vuosittain yli 100 000 ihmiseen Yhdistyneessä kuningaskunnassa, ja jopa 50 % potilaista jää vakavaksi vammaiseksi [1, 2]. 85 % aivohalvauksista johtuu aivojen verisuonten tukkeutumisesta (akuutti iskeeminen aivohalvaus [AIS]), mikä häiritsee verenkiertoa ja johtaa kudosinfarktiin ja toiminnan heikkenemiseen [1]. Aivohalvaus aiheuttaa merkittävää sairastuvuutta ja kuolleisuutta, ja sillä on huomattavia sosiaalisia ja taloudellisia vaikutuksia erityisesti työikäisille [1, 2]. AIS:n syy voidaan luokitella laajasti emboliseen ja ei-emboliseen aivohalvaukseen [3]. Noin neljäsosa AIS:stä on kardioembolista, mikä johtuu emboliasta vasemmasta eteisvärinästä (AF), läppäistä (läppäsydänsairaus tai proteettiset läpät), äskettäin saaneesta sydäninfarktista, avoimesta foramen ovalesta, tarttuvasta endokardiitista tai aortan kaaren ateroomasta [3- 5]. Tämä luku on korkeampi iäkkäillä aikuisilla, koska AF:n esiintyvyys lisääntyy iän myötä [6]. Tärkeää on, että kardioemboliset aivohalvaukset ovat vakavampia, mikä johtaa suurempiin vammoihin kuin muut aivohalvauksen alatyypit [4]. Verisuonten riskitekijöiden hallinnan standardien parantuessa kardioemboliaan liittyvien aivohalvausten osuus kasvaa, ja ilmaantuvuus on kolminkertaistunut muutaman viime vuosikymmenen aikana [4]. Embolian lähteen oikea tunnistaminen ja hoito voi vähentää uusiutumista jopa 70 % [4]. AF on edelleen johtava kardioembolisen aivohalvauksen syy [4, 5]. AF:n oikean tunnistamisen ja hoidon uskotaan kuitenkin esiintyvän vain 50 prosentilla kelvollisista potilaista [3]. Tämä voi johtua kliinikkojen haluttomuudesta antikoagulanttipotilaille, erityisesti heikolla iäkkäällä väestöllä, jolla on suuri kaatumisriski [3]. Jopa 25 % aivohalvauksista on epämääräisen lähteen emboliaa (ESUS), mikä voi johtua kohtauksellisesta AF:stä, joka vaatii pitkäaikaista sydämen seurantaa potilaiden tunnistamiseksi ja hoitamiseksi onnistuneesti [3, 7]. AF on oireeton jopa 40 %:lla potilaista, ja ensimmäinen ilmentymä voi olla merkittävä infarkti [8]. Antikoagulaatio on aivohalvausriskin vähentämisen kulmakivi AF:ssä, mutta verenvuotoriskin jopa kaksinkertaistuessa tämä hoito on varattu vain todistetuille tapauksille [9, 10]. Antikoagulaatio ESUS-ohjelmassa on jatkuva keskustelu, ja se on tällä hetkellä rajoitettu korkean riskin ryhmiin (esim. useita infarkteja eri alueilla) [11, 12]. Siten AF:n tunnistaminen ja hoito on ensisijainen tavoite, jotta voidaan vähentää tulevaa aivohalvausriskiä, ​​mutta minimoida komplikaatioita silloin, kun antikoagulaatiota ei tarvita.

Embolisen ja ei-embolisen aivohalvauksen eri etiologiat, tutkimukset ja hallinta huomioon ottaen varhainen erottaminen helpottaa kliinistä päätöksentekoa ja mahdollistaa potilaiden kohdennetun tutkimuksen ja hoidon. Aivohalvauksen radiologiset ominaisuudet voivat tukea tätä prosessia, koska infarktin sijainti, koko ja kuvio voivat osoittaa todennäköisen etiologian ja aivohalvauksen alatyypin. Tällä hetkellä ei kuitenkaan ole olemassa kriteerejä, joilla tätä arvioitaisiin, vaan ne perustuvat hoitavan lääkärin tai radiologin laadulliseen ja siten subjektiiviseen mielipiteeseen. Epätarkka diagnoosi on raportoitu jopa kolmanneksessa lakunaarisista aivohalvauksista pelkästään kliinisten ja TT-löydösten perusteella [13]. Suurin osa vääristä positiivisista löydöksistä johtui kardioembolisesta tai suurten valtimoiden aivohalvauksesta, mikä saattaa johtaa tilaisuuden menettämiseen AF:n tunnistamiseen ja hoitoon [13]. Diffuusiopainotettu kuvantaminen voi parantaa lakunaarisen infarktin diagnoosia, mutta sen käyttöä rajoittavat kustannukset ja saatavuus [13-15]. Hiljattain tehdyssä 133 ESUS-potilaalla tehdyssä tutkimuksessa 22,6 %:lla havaittiin AF kolmen kuukauden sydämen seurannan jälkeen, ja 8 pisteen riskipisteet pystyivät ennustamaan tämän kohtuullisella tarkkuudella (käyrän alla oleva pinta-ala = 0,70). [16]. Tämä tarkkuus kuitenkin heikkenee huomattavasti, jos aivohalvauksen etiologiaa ei tiedetä [16]. Todellinen havaitsematta jäävän AF:n osuus on edelleen tuntematon, ja aikaisempi havaitseminen ennustavan mallinnuksen avulla voisi mahdollisesti vähentää tutkimus- ja hoitoviiveitä.

Siksi sellaisten prosessien parantaminen, joilla embolinen aivohalvaus, erityisesti AF, voi auttaa ohjaamaan kliinistä päätöksentekoa. Tämä mahdollistaisi tutkimusten paremman räätälöinnin potilaiden mukaan, poistaisi tarpeettomat testit, joista voisi olla taloudellista hyötyä NHS:lle, ja vähentäisi potilaiden tutkimustaakkaa. Sellaisten aivohalvausmallien kehittäminen, joissa voidaan integroida potilaiden kliinisiä tietoja ja skannauslöydöksiä, voi parantaa diagnostista tarkkuutta aivohalvauksen alatyyppien luokittelussa ja helpottaa oikea-aikaista ja kohdennetumpaa tutkimusta ja hoitoa. Erityisesti mallit, jotka pystyvät erottamaan eri tyyppiset emboliat, voivat olla erityisen arvokkaita ja nopeaa laajennettua seurantaa potilaille, joilla on todennäköisimmin AF-lähde.

Tässä tutkimuksessa ehdotetaan JH:n ja EC:n kehittämää Monte Carlo -menetelmää aivohalvausten simuloimiseksi [17-20]. Tätä menetelmää on äskettäin mukautettu käyttämällä in silico aivoverisuonirakennetta [21] ja sitä on testattu aivohalvauskuvissa Anatomical Tracings of Lesions After Stroke (ATLAS) -tietokannasta (julkaisematon työ). Laskennallisesti generoidun verisuoniston käytön etuna kuvantamiseen verrattuna on, että suonen koolla ei ole alarajaa ja pystymme sisällyttämään malliimme verisuonia kapillaaripetiin asti. Simulaatioissa voimme arvioida leesion tilavuutta sekä ottaa huomioon harmaan ja valkoisen aineen erilaiset metaboliset vaatimukset. Viime aikoina olemme pystyneet toistamaan aivohalvauskuvia anteriorissa, keskimmäisessä ja takaosassa (ACA, MCA, PCA, vastaavasti) käyttämällä kuvia ATLAS-tietojoukosta. Suurin osa ATLAS-leesioista oli kuitenkin luonteeltaan kroonisia, eikä tämä anna tietoa siitä, kuinka tämä malli toimisi "etuovella", jossa hoitopäätökset voitaisiin tehdä oikea-aikaisemmin.

Siksi tämä projekti pyrkii kehittämään akuutin aivohalvauksen skannaustietokannan, jolla validoidaan nämä äskettäin kehitetyt simulaatiot ja määritetään tarkkuus embolisen aivohalvauksen lähteen ennustamisessa akuutissa tilanteessa. Koska tekoälytekniikoita sovelletaan yhä enemmän kliiniseen lääketieteeseen, vertaamme tämän äskettäin kehitetyn aivohalvaussimulaatiomallin kykyä tekoälytekniikoihin ennustaa embolisen aivohalvauksen lähdettä. Vertaamme mallien kykyä kliiniseen tai radiologiseen mielipiteeseen. Lopuksi testaamme näiden kahden tekniikan yhteistä kykyä määrittää embolisen aivohalvauksen lähde. Arvioimme erityisesti seuraavat lähteet: lakunaariset, sydänemboliset, suurten suonien ateroskleroottiset embolit ja vedenjakaja.