TEKOÄLYKSEN ALGORITMIN KEHITTÄMINEN HYPOTENSIOIDEN RISKIN ENNASTAMISEKSI SPINAALANESTESIALLA KEISAARILEikkauksen jälkeisenä

Perustelut: Keisarileikkaus, kun se on oikein osoitettu, on synnytysmenetelmä, joka säilyttää sekä äidin että vauvan terveyden. Keisarileikkauksella syntyneiden määrä on kasvanut maailmanlaajuisesti jo vuosia. Vuosina 2010–2018 21,1 % maailmanlaajuisesti seuratuista synnytyksistä tehtiin keisarinleikkauksella. Maailman terveysjärjestön (WHO) mukaan tämän asteen odotetaan kasvavan ja saavuttavan 29 % vuoteen 2030 mennessä.

Keisarileikkauksen anestesiaan vaikuttavat olennaisesti sekä raskauden synnyttämät fysiologiset että patologiset muutokset äidin kehossa. Raskauden ja synnytyksen aikana tapahtuvat muutokset ja niistä johtuvat erot voivat asettaa haasteita anestesiologeille.

Kehittyneissä maissa 78 % elektiivisistä keisarinleikkauksista on tehty spinaalipuudutuksessa, joten se on anestesiologien laajimmin käyttämä tekniikka. Spinaalianestesia indusoi iatrogeenisen sympaattisen salpauksen vähentäen systeemistä verisuonten vastusta sekä valtimoiden ja laskimoiden vasodilataatiota, mikä johtaa hypotensioon. Hypotension ilmaantuvuus spinaalipuudutuksen jälkeen raskaana olevilla naisilla vaihtelee 7,4 %:sta 74 %:iin, kuten Klöhr et al. Hypotension esiintymistiheys on suurempi raskaana olevilla naisilla johtuen sellaisista tekijöistä kuin makuuasennossa oleva hypotensio-oireyhtymä, joka johtuu sikiön alemman onttolaskimon puristamisesta ja kollateraalisen laskimopunoksen kehittymisestä epiduraalialueella, mikä johtaa intratekaalisen paikallispuudutuksen nousuun aivo-selkäydinnesteeseen. Potilaan hypotension ja bradykardian syveneminen voi johtaa sydämen kollapsiin, sikiön hypoksiaan ja asidoosiin, mikä aiheuttaa arvaamattoman riskin sekä äidin että sikiön terveydelle. Anestesiologien tehtävänä on ehkäistä tai hallita tätä riskialtista tilaa tehokkaasti.

Viimeaikaiset edistysaskeleet syväoppimisessa ja tekoälyssä (AI) ovat löytäneet paikkansa anestesian alalla. Tekoälysovellukset anestesiassa voidaan luokitella viiteen pääalueeseen: 1) Anestesian syvyyden seuranta (esim. EEG-tietojen analysointitekniikat anestesian aikana), 2) Anestesialääkkeen annostelun ohjaus anestesian syvyyden perusteella, 3) Tapahtumien ennustaminen, 4) Ultraääniohjaus ja 5) kivunhallinta.

Näistä sovelluksista tapahtumien ennustaminen on erityisen kriittinen anestesiologeille. Tapahtuman tietäminen ennen sen toteutumista edistää sen ehkäisyä tai mahdollistaa tarkemman hallinnan. Kirjallisuudessa on tehty 53 tutkimusta, joissa on käytetty tekoälyä tapahtumien ennustamiseen, mukaan lukien tutkimukset, joissa on kehitetty algoritmeja hypotension ennustamiseen leikkauksen aikana ja näiden algoritmien validointi. Se, mikä erottaa tämän hankkeen olemassa olevista tutkimuksista, ovat:

Näitä tutkimuksia ei ole erityisesti kehitetty ennustamaan spinaalipuudutuksen aiheuttamaa hypotensiota keisarinleikkauksen aikana.

Näissä tutkimuksissa on enimmäkseen käytetty aaltoanalyysiä (ei-invasiivista tai invasiivista) hypotension ennustamiseen. Tässä hankkeessa tätä lähestymistapaa ei hyödynnetä. Leikkausta edeltävät arvioinnit tehdään ja potilaan ominaisuudet kirjataan. Tästä syystä tuloksena oleva algoritmi ei ole dynaaminen/reaaliaikainen tiedonsyöttöalgoritmi.

Preoperatiivisten ominaisuuksien kirjaamisen helppous, invasiivisen valtimomonitoroinnin tarpeen puuttuminen ja sovellettavuus tekevät algoritmin kehittämisestä käytännöllisemmän. Kehitetty algoritmi on käytännöllinen käytettäväksi.

Koulutettava algoritmi raportoi Hatibin et al.:n tutkimuksen tavoin hypotension riskin prosentteina.

Tekoäly ja sen osajoukko, koneoppimisalgoritmit, vaikuttavat elämämme kaikkiin osa-alueisiin. Lääketieteen alalla siitä on tullut menetelmä, erityisesti inhimillisten virheiden vähentämisessä kliinisen päätöksenteon yhteydessä.

Tässä tutkimuksessa demografisia tietoja, elintoimintoja, erityisiä veriparametreja ja tiettyjä spinaalipuudutuksen antamiseen liittyviä ominaisuuksia tallennetaan systemaattisesti spinaalipuudutuksen saavista raskaana olevista naisista. Veriparametreihin kuuluvat täydellinen verenkuva, seerumin elektrolyytit, maksaentsyymitasot (ALT/AST) ja Syndecan-1. Kaikki veriparametrit on lueteltu alkuperäisessä tutkimusprotokollassa. Syndecan-1 on molekyyli, joka erittyy seerumiin verisuonten endoteelin glykokalyyksikerroksen hajoamisen tai vaurioitumisen seurauksena. Erityisesti se nousee tilavuuskuormituksen, sepsiksen tai tulehdusprosessien aikana. Seerumin syndekaani-1-tasot nousevat raskausviikkojen edetessä, ja merkittävin nousu tapahtuu 20. ja 30. viikon välillä. Jos preeklampsia kehittyy raskauden myöhemmissä vaiheissa, syndecan-1-tasot laskevat.

Syndecan-1-tasot hypertensiivisissä raskauksissa eivät muutu merkitsevästi normaaleihin raskauksiin verrattuna, mutta syndekaani-1-tasoissa on havaittu eroja preeklampsian esiintyessä. Siksi, kuten menetelmäosiossa mainittiin, verenpainetautia ja preeklampsiaa sairastavia raskaana olevia naisia ​​ei oteta mukaan tutkimukseen.

Tutkimuksessa, jossa tutkittiin Syndecan-1:n preoperatiivisia ja postoperatiivisia tasoja keisarinleikkauspotilailla, joille tehtiin spinaalipuudutus, havaittiin merkittävä ero. Tutkimuksessa todettiin, että ennen leikkausta profylaktinen nestebolusanto vaikutti endoteelin glykokaliksin hajoamiseen. Tämän tutkimuksen perusteella Syndecan-1:llä on teoreettinen potentiaali olla uusi merkki hypotension ennustamisessa. Vaikka Syndecan-1:tä on tutkittu raskaana olevilla naisilla aiemmin, kirjallisuudessa ei ole tutkimusta, jossa tutkittaisiin preoperatiivisten Syndecan-1-tasojen ja hypotension välistä suhdetta spinaalipuudutuksen aikana keisarinleikkauspotilailla. Tämä tutkimus sekä tutkii Syndecan-1:n ja hypotension välistä suhdetta että arvioi sen paikkaa kehitetyssä algoritmissa.

Kunkin potilaan alkuperäiset tiedot on kirjattu, hypotension kehittyminen tarkkaillaan ja dokumentoidaan. Kerätyt tiedot analysoidaan, jotta voidaan tutkia suhdetta hypotension esiintymisen tai esiintymättä jättämisen välillä induktion jälkeen. Lisäksi näiden tietojen perusteella kehitetään tekoälyalgoritmi. Ensisijainen tavoite on kehittää algoritmi. Tutkimuksen aikana raskaana olevien naisten anestesian hoidossa ei tapahdu muutoksia.

Tässä yhteydessä kehitetyn algoritmin tavoitteena on tunnistaa varhaisessa vaiheessa spinaalipuudutuksen aiheuttama hypotensio (ennustaa hypotension riskiä ennen leikkauksen alkamista) ja mahdollistaa hoidon varhainen aloittaminen.

Menetelmä:

Hankkeen ajankohta: Hankkeen eettisen hyväksynnän on myöntänyt Hacettepe Universityn non-interventional Clinical Research Ethics Board. Hanke on suunniteltu toteutettavaksi marraskuun 2023 ja huhtikuun 2024 välisenä aikana.

Projektin metodologia ja tiedonkeruutyökalut:

Leikkaussalin kriteerit täyttävien potilaiden tiedot saadaan sairaalahoidon jälkeen keisarinleikkausta varten lähetetyistä rutiinitestituloksista, preoperatiivisista sairaanhoitajan havainnointilomakkeista sekä leikkauksen aikana anestesialla seurattujen elintoimintojen muistiinpanoista. Kun potilas on viety leikkaussaliin, anestesiologi täyttää tiedonkeruulomakkeen tiedot. Hypotension kesto spinaalipuudutuksen jälkeen alkaa heti anestesian antamisen jälkeen raskaana olevilla naisilla ja saavuttaa alimman tasonsa noin 10-15 minuutissa. Sen tiedetään palautuvan normaaliksi 20-30 minuutissa. Hypotension kesto voi kuitenkin vaihdella riippuen tekijöistä, kuten raskausiästä, anestesiaannoksesta, potilaan yleisestä terveydentilasta ja muista tekijöistä. Erityisesti raskaana olevilla naisilla, joilla on suuria anestesiaannoksia tai joilla on verenpainetauti, hypotension kesto voi olla pidempi. Siksi hypotension kesto on arvioitava yksilöllisesti jokaisen potilaan kohdalla. Tässä tutkimuksessa havainnointi on kuitenkin suositeltavaa ensimmäisten 15 minuutin ajan. Tämä etusija on tehty, koska algoritmi ennustaa selkärangan aiheuttaman hypotension preoperatiivisten ominaisuuksien perusteella. Pidentyneen tarkkailujakson myötä synnytykset, sydämen minuuttitilavuuden kasvu ja oksitosiini-infuusion aloittaminen leikkauksen aikana tekevät hemodynamiikasta monimutkaisen tilanteen, johon vaikuttavat useat riippumattomat tekijät. Tiedonkeruu päättyy ensimmäisten 15 minuutin jälkeen, ja 15 minuutin jälkeen ilmenevää hypotensiota ei kirjata tutkimukseen. havainto lopetetaan.

Projektitietojen kerääminen:

Ennen kuin potilaat viedään leikkaussaliin, potilaalta otettavista rutiininomaisista synnytystä edeltäneistä verinäytteistä otetaan riittävä määrä verta veriparametreja varten. Syndecan-1:tä lukuun ottamatta muut veriparametrien parametrit ovat rutiinitestejä, jotka suoritetaan rutiininomaisesti Hacettepe University Hospitalin biokemian laboratorioissa.

Syndecan-1:tä mitatessa absorbanssilukemat suoritetaan Hacettepe-yliopiston biokemian laitoksella sijaitsevalla SpectraMax-M2-laitteella (Molecular Devices, USA). Myöhemmin seerumin syndekaani-1-tasot lasketaan GraphPad Prism -ohjelmalla vakiokäyrän perusteella. Syndecan-1-mittaukseen tarvittavien ELISA-sarjojen hankinta toteutetaan Hacettepe Universityn tieteellisen tutkimus- ja projektitoimiston rahoituksella.

Tietojen analysointi:

Algoritmien kehittämisen kaikissa vaiheissa käytetään Python-ohjelmointikieltä. Tekoälyalgoritmin kehitysprosessissa noudatetaan Guidelines for Developing and Reporting Machine Learning Predictive Models in Biomedical Research: A Multidisciplinary View -ohjetta. Vaiheet ovat seuraavat:

• Tiedonkeruu: Tiedot tallennetaan täyttämällä tiedonkeruulomake.
• Tietojen käsittely: Tiedonkeruun jälkeen tiedot käsitellään ja jaetaan satunnaisesti harjoitustietoihin ja sisäiseen validointitietoihin. Tiedot puhdistetaan artefakteista ja virheellisistä lukemista.
• Huomautukset: Tiedot merkitään tekoälyn luokittelua varten, ja hypotension määritelmä merkitään. Suoritetaan tutkimuksia hypotension havaitsemismahdollisuudet tekoälyn avulla.
• Ominaisuuden valinta: Ominaisuudet, jotka ennustavat selostettuja tapahtumia suurimmassa määrin, valitaan. Tässä prosessissa käytetään yhtä tai useampaa ominaisuuden valintaalgoritmia, ja ominaisuudet valitaan malleissa saavutetun menestyksen perusteella.
• Mallin luominen: Tiedon tärkeimmät ominaisuudet valitaan ja malli kehitetään. Perussuorituskykysuhteiden saamiseksi käytetään perustavanlaatuisia luokittelualgoritmeja, kuten K-lähimmät naapurit, tukivektorikoneet (SVM), päätöspuut, satunnaismetsä, joita käytetään yleisesti luokitteluprosesseissa kirjallisuudessa. Myöhemmin kehitetään syväoppimismenetelmä ja tarkastellaan suorituskyvyn eroa ehdotetun menetelmän ja perusmenetelmien välillä.

Ristiinvalidointi: Mallin alkuperäisen version suorituskyky altistetaan toistuvasti ristiinvalidointiin sellaisten tietojen alaryhmien kanssa, joita malli ei ole koskaan nähnyt. Tämä määrittää mallin suorituskyvyn tutkimalla suorituskyvyn muutoksia tietojen muuttuessa. Tietojen koosta riippuen käytetään joko 10-kertaista ristiinvalidointia tai 5-kertaista ristiinvalidointimenetelmää.

Sisäinen validointi: Harjoitustiedoilla opetetun algoritmin ennakoiva suorituskyky arvioidaan käyttämällä sisäisiä validointitietoja, joita se ei ole koskaan tavannut.

Algoritmien kehitysprosessin lisäksi, jos verrattavat muuttujat ovat normaalijakaumia, tilastolliset testit, kuten ANOVA; Vertailuryhmien lukumäärän ja muuttujien normaalijakaumaanalyysin perusteella käytetään Studentin t-testiä ja Mann-Whitney U -testiä. Pearson-korrelaatioanalyysiä ja Spearman-korrelaatioanalyysiä käytetään hypotensioarvojen ja muiden jatkuvien parametrien välisen suhteen analysoimiseen muuttujien normaalijakauman analyysin perusteella. Lisäksi järjestelmän ennustettavuus testataan herkkyyden, spesifisyyden, positiivisen ennustusarvon (PPV), negatiivisen ennustusarvon (NPV), todennäköisyyssuhteen (OR), riskisuhteen (RR), vastaanottimen toimintakäyrän ja käyrän alla olevan alueen avulla. (AUROC) ja Pearsonin korrelaatiokerroin (r) -testit. Tilastollinen merkitsevyystaso p<0,05 hyväksytään. Tilastolliseen analyysiin käytetään Statistical Packages for the Social Sciences v26.0 (SPSS Inc., Chicago, IL) -ohjelmistoa.