Prédiction et traitement guidés par l'IA de l'arrêt cardiaque

L'arrêt cardiaque soudain (ACS) demeure une cause majeure de mortalité aux États-Unis. Malgré des efforts significatifs pour améliorer les résultats de la réanimation, la survie reste faible. De plus, l'ACS est souvent la première manifestation d'une maladie cardiaque sous-jacente, après quoi les survivants souffrent généralement de maladies cardiovasculaires et neurologiques chroniques secondaires dues à l'agression primaire. La réanimation après un ACS est initiée chez les patients souffrant d'arythmies potentiellement mortelles, généralement une tachycardie/fibrillation ventriculaire (TV/FV) ou une activité électrique sans pouls (AESP), qui, si elle réussit, est suivie d'un retour à une circulation spontanée (RCS). Cependant, cela est souvent suivi d'un réarrêt répété dû soit à une TV/FV, une AESP ou une asystolie. Il est important de noter que les mécanismes de la TV/FV et de l'AESP varient considérablement, et des traitements protocolisés non ciblés peuvent aggraver les résultats. Actuellement, les traitements sont généralement initiés après la survenue d'un réarrêt et sans tenir compte des caractéristiques personnelles uniques du patient ou de l'arrêt, facteurs qui sont des prédicteurs connus des résultats de l'arrêt cardiaque. Des études récentes ont montré qu'une réponse thérapeutique plus rapide et plus ciblée (c'est-à-dire un temps plus court jusqu'au traitement spécifique au type de réarrêt) pour l'arrêt cardiaque peut significativement améliorer la survie et les séquelles chroniques ultérieures après un ACS. Par conséquent, la capacité à prédire la survenue et la cause d'un arrêt cardiaque ou d'un réarrêt (c'est-à-dire TV/FV et AESP) pourrait guider une thérapie personnalisée précoce et finalement améliorer les résultats de la réanimation, ce qui est l'objectif translationnel à long terme de cet effort. De plus, une intervention précoce pourrait être cruciale dans les communautés rurales, où les temps de transport vers des soins hospitaliers définitifs sont longs et les ressources limitées.

Dans des travaux en cours, les investigateurs ont récemment observé chez des patients des services médicaux d'urgence (SMU) que l'ajout de paramètres cliniques (par exemple, l'âge, le type d'arrêt primaire) aux caractéristiques dérivées de l'onde T de l'ECG dans un modèle d'apprentissage automatique (AA) améliore la précision de prédiction de la TV/FV et de l'AESP (>90 %). Les investigateurs proposent une étude de faisabilité de la prédiction guidée par l'AA du réarrêt. L'hypothèse globale est qu'un biomarqueur ECG, combiné à des caractéristiques cliniques, peut prédire le réarrêt et sa cause (TV/FV ou AESP), ce qui améliorera significativement le délai jusqu'au traitement et les résultats aigus et chroniques de l'arrêt cardiaque. Les investigateurs émettent en outre l'hypothèse qu'une telle technologie peut être facilement adoptée et mise en œuvre avec succès par les intervenants d'urgence. Les investigateurs prévoient deux essais cliniques interdépendants, l'un étant un essai observationnel en arrêt cardiaque simulé, et un second essai observationnel chez des patients des SMU. Les objectifs spécifiques suivants testeront ces hypothèses.

Objectif 1. Déterminer les performances et la satisfaction des utilisateurs finaux avec un dispositif entièrement automatisé de prédiction du réarrêt guidé par l'AA en utilisant des scénarios d'arrêt cardiaque simulé. Les prestataires d'urgence, dans des scénarios de réanimation en temps réel simulés utilisant des enregistrements ECG de réarrêt réels, seront étudiés pour identifier les obstacles et les facilitateurs à la mise en œuvre et à l'adoption de la technologie, ainsi que la satisfaction des prestataires et la valeur perçue de l'intervention. Ceci sera réalisé en déterminant les métriques de performance des prestataires (par exemple, initier des thérapies guidées par l'AA) et en utilisant des outils qualitatifs pour évaluer l'engagement, la confiance et l'utilité perçue des utilisateurs finaux. Ces études fourniront des données fondamentales pour la mise en œuvre et l'évolutivité de la technologie, à la fois pour un essai clinique et pour guider les futures approbations de la FDA et réglementaires.

Objectif 2. Tester la précision d'un modèle d'AA multiclasse pour la prédiction en temps réel de la survenue d'un réarrêt et de son type (TV/FV vs. AESP) et son impact sur le délai jusqu'au traitement, dans un essai clinique observationnel de patients en arrêt cardiaque. En s'appuyant sur une collaboration en cours avec les SMU de Cleveland et communautaires, les investigateurs recruteront des patients en arrêt cardiaque des SMU et observeront la survenue de réarrêts dans une étude de validation observationnelle de preuve de concept. La précision du modèle d'AA entièrement automatisé pour prédire le réarrêt et son type sera déterminée, mais les conseils de traitement ne seront pas testés à ce stade. Les prestataires seront en aveugle par rapport à la sortie de l'AA, et l'AA ne dirigera pas le traitement. Hors ligne, la précision de prédiction et le temps estimé jusqu'à la décision de traitement guidée par l'AA seront comparés au type réel de réarrêt et au moment du traitement. Ces résultats fourniront des résultats préliminaires de sécurité et de précision, des estimations de taille d'échantillon, et des processus de recrutement et de consentement éclairé pour un futur essai clinique randomisé contrôlé pour tester les traitements de réarrêt guidés par l'AA.