BLANDISH (aivot, toiminnan menetys, aneurismi, sairaus, vamma, aivohalvaus, verenvuoto) (BLANDISH)

NeuroICU:ssa hoidot noudattavat tyypillisesti tieteelliseen konsensukseen perustuvia ohjeita. Tästä huolimatta kallonsisäistä verenvuotoa sairastavien potilaiden ennuste ei ole merkittävästi parantunut viime vuosikymmeninä, mikä on johtanut yleensä epätyydyttäviin tuloksiin. Vaikka satunnaistettuja kontrolloituja tutkimuksia (RCT) pidetään kliinisen tutkimuksen kultastandardina, ne voivat olla kalliita ja eettisesti haastavia suorittaa. Havainnointitutkimukset tarjoavat vaihtoehtoisen menetelmän, joka tarjoaa suurempia aineistoja pitemmiltä ajanjaksoilta, mikä voi olla hyödyllisempää ja toteuttamiskelpoisempaa tietyissä tutkimushankkeissa.

Machine Learning (ML) -algoritmeilla, toisin kuin klassisilla tilastomenetelmillä, on kyky käsitellä suuria määriä muuttujia, mikä tarjoaa terveydenhuollon tarjoajille yksilöllisen ja luotettavan lähestymistavan potilashallintaan. Ymmärtääksemme hyvin suunniteltujen tutkimusten tarpeen optimaalisten hoitostrategioiden tunnistamiseksi neurokriittisille potilaille ja tunnustamalla olemassa olevien ohjeiden rajoitukset, pyrimme hyödyntämään ML-ohjelmia kehittääksemme edistyneen järjestelmän, joka pystyy paljastamaan tietomalleja ja yhdistämään ne mahdollisiin tuloksiin.

BLANDISH-projekti keskittyy potilaisiin, joilla on spontaani intracerebraalinen verenvuoto (sICH), sairaus, josta puuttuu todistetusti hyödyllinen hoito. Keräämällä ja analysoimalla tietoja neuroICU:ssa olevilta sICH-potilailta hankkeen tavoitteena on kehittää valvottu BLANDISH-niminen ML-algoritmi.

Tämä algoritmi jakaa potilaat ennusteen perusteella ja tunnistaa ne, joilla on suurin kuoleman ja toissijaisten aivovammojen riski. Ohjaamalla jokaista potilasta kohti kohdennettua hoitostrategiaa, algoritmi voi auttaa parantamaan potilaiden tuloksia ja arvioimaan nykyisten kliinisten käytäntöjen tehokkuutta. Lisäksi se voi antaa terveydenhuollon henkilöstölle mahdollisuuden kohdistaa resursseja paremmin ja ottaa käyttöön yksilöllisiä tarkkuuslääketieteeseen perustuvia terapeuttisia ohjelmia, mikä saattaa lyhentää sairaalahoitoaikoja ja terveydenhuollon kustannuksia.

Ensimmäinen askel BLANDISH-algoritmin kehittämisessä sisältää kliinisen tiedon keräämisen, joka on tallennettu strukturoituun datalakeen, joka toimii tietovarastona. Tämä foorumi kerää tietoa neuroICU:hun otettujen sICH-potilaiden kliinisestä kulusta. Tiedonkeruun jälkeen seuraavat vaiheet sisältävät esikäsittelyn, potilaskuolleisuuden kanssa korreloivan muuttujan valinnan ja algoritmin harjoittelun syötetietojen ja sisäisen validoinnin avulla sen käyttäytymisen hallitsemiseksi. Sen jälkeen tulee ulkoinen validointi, joka sisältää tiedonkeruun eri kliinisistä keskuksista algoritmin luotettavuuden ja yleistyskyvyn arvioimiseksi. Tämän jälkeen suoritetaan monikeskushavainnoiva kliininen tutkimus BLANDISH-algoritmin validoimiseksi, ja tavoitteena on määrittää sen vaikutus sICH-potilaiden tuloksiin. Tämä viimeinen vaihe sisältää selviytymistutkimuksen, jossa verrataan koeryhmän potilaita (jonka hoitoa ohjaa BLANDISH) potilaisiin, jotka noudattavat tavanomaista kliinistä käytäntöä. Hankkeen tavoitteena on osoittaa ML-lähestymistavan paremmuus nykyisiin ohjeisiin verrattuna arvioimalla potilashallinnan tarkkuutta ja mahdollisia parannuksia eri hoitoympäristöissä.