Modélisation des résultats cliniques de la dynamique rapide dans l'AVC aigu

L'AVC - toujours la deuxième cause de décès la plus fréquente et la principale cause d'incapacité neurologique chez l'adulte dans le monde occidental - se caractérise par des changements rapides dans le temps et une variabilité marquée des résultats. Un patient peut s'améliorer ou se détériorer en quelques minutes, et l'invalidité qui en résulte peut aller d'une paralysie complète évidente à une incoordination subtile et dépendante de la tâche d'un seul membre.

Contrairement à de nombreux autres troubles neurologiques, l'AVC peut être extrêmement sensible à un traitement rapide et intelligemment adapté, récompensant l'innovation dans la prestation de soins avec un impact réel et tangible sur les résultats des patients. Un traitement optimal nécessite donc à la fois une caractérisation détaillée du tableau clinique du patient et son évolution dans le temps.

On peut dire que l'aspect le plus important du tableau clinique du patient - le mouvement du corps - reste remarquablement mal documenté : quantifié uniquement subjectivement et à des intervalles peu fréquents dans l'évolution clinique du patient. La combinaison de l'intelligence artificielle avec le calcul haute performance permet désormais d'extraire automatiquement le cadre squelettique d'un patient résolu jusqu'aux principales articulations, comme celui d'un stickman, d'être livré simplement, en toute sécurité et à moindre coût, sans l'utilisation de corps encombrants Marqueurs. Au cœur de cette technologie se trouve la confidentialité du patient, avec l'image squelettique extraite en temps réel, garantissant qu'aucune donnée vidéo, à partir de laquelle les patients peuvent être identifiés, ne sera stockée ou transmise par l'appareil.

Notre système de catégorisation des mouvements - MoCat - sera utilisé pour étudier la dynamique rapide de l'AVC aigu, intégré de manière transparente dans le flux clinique. En quantifiant l'évolution du déficit moteur au fil du temps, nous examinerons la relation entre ces trajectoires et les résultats cliniques et développerons des modèles prédictifs pouvant soutenir la gestion clinique et optimiser la prestation de services.