Tehokkaan sydämenpysähdyksen ennustaminen ja hoito tekoälyn avulla

Äkillinen sydänpysähdys (SCA) on edelleen merkittävä kuolemansyy Yhdysvalloissa. Huolimatta merkittävistä ponnisteluista elvytystulosten parantamiseksi, selviytyminen on edelleen heikkoa. Lisäksi SCA on usein ensimmäinen ilmentymä taustalla olevasta sydäntaudista, minkä jälkeen selviytyjät kärsivät tyypillisesti toissijaisista kroonisista sydän- ja hermostosairauksista ensisijaisen vamman vuoksi. Elvytys SCA:sta aloitetaan potilailla, jotka kärsivät hengenvaarallisista rytmihäiriöistä, yleensä kammiotakykardiasta/fibrillaatiosta (VT/VF) tai pulssittomasta sähköisestä aktiivisuudesta (PEA), ja mikäli se onnistuu, sitä seuraa spontaanin verenkierron palautuminen (ROSC). Tätä seuraa kuitenkin yleensä toistuva uudelleenpysähdys joko VT/VF:n, PEA:n tai asystolian vuoksi. On tärkeää huomata, että VT/VF:n ja PEA:n mekanismit vaihtelevat merkittävästi, ja protokolloidut, ei-suunnatut hoidot voivat heikentää tuloksia. Tällä hetkellä hoidot yleensä aloitetaan vasta uudelleenpysähdyksen tapahtumisen jälkeen ja ilman huomioimatta yksilöllisiä potilaskohtaisia tai pysähdyksen ominaisuuksia, jotka ovat tunnettuja sydänpysähdyksen lopputulosten ennustajia. Viimeaikaiset tutkimukset ovat osoittaneet, että nopeampi ja kohdennetumpi hoitovaste (eli lyhyempi hoitoaika uudelleenpysähdystyypin mukaiseen hoitoon) sydänpysähdyksessä voi parantaa merkittävästi selviytymistä ja pitkäaikaisia seurauksia SCA:n jälkeen. Siksi kyky ennustaa sydänpysähdyksen tai uudelleenpysähdyksen esiintymistä ja syytä (eli VT/VF ja PEA) voisi ohjata varhaista personoitua hoitoa ja parantaa lopulta elvytystuloksia, mikä on tämän työn pitkän aikavälin translaatiotavoite. Lisäksi varhainen interventio voi olla ratkaisevan tärkeää maaseutuyhteisöissä, joissa kuljetusajat lopulliseen sairaalahoitoon ovat pitkiä ja resurssit rajalliset.

Käynnissä olevassa työssä tutkijat ovat äskettäin havainneet ensihoidon (EMS) potilailla, että kliinisten parametrien (esim. ikä, ensisijainen pysähdystyyppi) lisääminen EKG:n T-aallon piirteisiin koneoppimisessa (ML) mallissa parantaa VT/VF:n ja PEA:n ennustetarkkuutta (>90%). Tutkijat esittävät toteutettavuustutkimuksen ML-ohjatusta uudelleenpysähdyksen ennustamisesta. Yleinen hypoteesi on, että EKG-biomarkkeri yhdistettynä kliinisiin piirteisiin voi ennustaa uudelleenpysähdyksen ja sen syyn (VT/VF tai PEA), mikä parantaa merkittävästi hoitoaikaa sekä sydänpysähdyksen akuutteja ja kroonisia lopputuloksia. Tutkijat olettavat edelleen, että tällaista teknologiaa voidaan helposti ottaa käyttöön ja toteuttaa menestyksekkäästi ensivastehenkilöiden toimesta. Tutkijat suunnittelevat kahta toisiinsa liittyvää kliinistä tutkimusta, toinen havainnollinen tutkimus simuloituun sydänpysähdykseen ja toinen havainnollinen tutkimus EMS-potilaille. Seuraavat erityiset tavoitteet testaavat näitä hypoteeseja.

Tavoite 1. Määritä loppukäyttäjän suorituskyky ja tyytyväisyys täysin automatisoituun ML-ohjattuun uudelleenpysähdyksen ennustuslaitteeseen simuloitujen sydänpysähdysskenaarioiden avulla. Ensihoidon tarjoajia tutkitaan simuloitujen reaaliaikaisten elvytysskenaarioiden avulla, joissa käytetään todellisia uudelleenpysähdyksen EKG-äänitteitä, tunnistaakseen teknologian toteutuksen ja käyttöönoton esteet ja edistäjät sekä tarjoajien tyytyväisyyden ja interventiotarjonnan koetun arvon. Tämä saavutetaan määrittämällä tarjoajien suorituskykymittarit (esim. ML-ohjattujen hoitojen aloittaminen) ja käyttämällä laadullisia työkaluja loppukäyttäjän sitoutumisen, luottamuksen ja koetun hyödyn arvioimiseen. Nämä tutkimukset tarjoavat perustietoa teknologian toteuttamiseen ja skaalautuvuuteen sekä kliinistä tutkimusta varten että tulevaa FDA- ja sääntelyhyväksyntää varten.

Tavoite 2. Testaa moniluokan ML-mallin tarkkuutta reaaliaikaisessa uudelleenpysähdyksen esiintymisen ja sen tyypin (VT/VF vs. PEA) ennustamisessa sekä vaikutusta hoitoaikaan havainnollisessa kliinisessä tutkimuksessa sydänpysähdyspotilailla. Hyödyntäen käynnissä olevaa yhteistyötä Clevelandin ja yhteisön EMS:n kanssa, tutkijat rekrytoivat EMS-sydänpysähdyspotilaita ja tarkkailevat uudelleenpysähdyksen esiintymistä konseptin todistamiseen tarkoitetussa havainnollisessa validointitutkimuksessa. Täysin automatisoitu ML-mallin tarkkuus uudelleenpysähdyksen ja sen tyypin ennustamisessa määritetään, mutta hoito-ohjausta ei testata tällä kertaa. Tarjoajat eivät tiedä ML-tuloksista, eikä ML ohjaa hoitoa. Offline-tilassa ennustetarkkuutta ja arvioitua ML-ohjattuun hoitopäätökseen kuluvaa aikaa verrataan todelliseen uudelleenpysähdystyyppiin ja hoitoaikaan. Nämä tulokset tarjoavat alustavia turvallisuus- ja tarkkuustuloksia, otoskokojen arvioita sekä rekrytointi- ja tietoon perustuvan suostumuksen prosesseja tulevaa satunnaistettua kontrolloitua kliinistä tutkimusta varten ML-ohjattujen uudelleenpysähdyksen hoitojen testaamiseksi.