Az akut ischaemiás stroke diagnosztika optimalizálása mesterséges intelligencia segítségével (AI-STROKE)

A thrombectomia akut ischaemiás stroke esetén rendkívül hatékony és költséghatékony. A mai napig túl kevés betegnek van lehetősége trombectomiára. Sürgősen javítani kell a diagnosztikát annak érdekében, hogy minden alkalmas stroke-beteg elzáródását elég gyorsan észleljék, és ha indokolt, thrombectomiát ajánljanak fel. A gépi tanuláson alapuló képalkotó technikákról a közelmúltban bebizonyosodott, hogy javított diagnosztikai módszereket biztosítanak az érelzáródás és az ischaemiás elváltozások mesterséges intelligencia segítségével történő kimutatására szolgáló automatizált módszerekkel. Prospektív intervenciós vizsgálatot fogunk végezni akut ischaemiás stroke-betegeken azzal a céllal, hogy megszervezzük és egyszerűsítsük az ellátási utat az akut stroke képalkotás pragmatikus megközelítésén keresztül, amelyet a képfeldolgozás és a mesterséges intelligencia legfejlettebb fejlesztései hajtanak végre. Többfázisú CT angiográfia és szoftver használatával két elsődleges stroke központban a képek automatikus kiértékelésének hasznosságát a szokásos ellátáshoz hasonlítják. Az összes képet ezzel párhuzamosan neuroradiológusok értékelik az átfogó stroke központban.

A fő cél az, hogy megszervezzék és egyszerűsítsék az akut stroke képalkotáshoz vezető utat a képfeldolgozás és a mesterséges intelligencia élvonalbeli fejlődése révén.

A másodlagos célok a következők értékelése: 1) az mCTA diagnosztikai pontossága az érelzáródás kimutatásában ischaemiás stroke esetén AI-alapú elemzési eszközökkel, összehasonlítva az MRI arany standardjával, 2) azon jogosult betegek százalékos aránya, akik mesterséges intelligencia alapú elemzéssel kaptak EVT-t. a standard ellátási diagnosztikához 3) a kezdettől a rekanalizációig eltelt idő és 4) az EVT-vel kezelt akut ischaemiás stroke betegek funkcionális kimenetele, akiknél a kezdeti radiológiai diagnózis AI-alapú képelemző eszközökkel történt, összehasonlítva a standard ellátással diagnosztizált stroke betegekkel.

Hipotézisek: Az új, mesterséges intelligencia alapú képelemző eszközök, amelyeket a már elérhető standard CT alapú képalkotó technikákon alkalmaznak, a) javíthatják az akut stroke diagnosztikát és b) növelhetik az EVT-vel kezelt betegek számát.

A projekt fő célja az ellátási útvonal megszervezése és egyszerűsítése az akut stroke képalkotás pragmatikus megközelítésén keresztül, amelyet a képfeldolgozás és a mesterséges intelligencia élvonalbeli fejlesztései hajtanak végre.

Másodlagos célok:

1. Annak felmérése, hogy a mesterséges intelligencia alapú képelemző eszközök alkalmazása a radiológiai diagnosztikában az elsődleges stroke centrumokban csökkentheti-e az EVT-vel kezelt akut ischaemiás stroke-betegeknél a kezdettől a rekanalizációig eltelt időt.
2. Az mCTA diagnosztikai pontosságának felmérése a közepes és nagy erek elzáródásos ischaemiás stroke kimutatásában AI-alapú elemzési eszközökkel, összehasonlítva a neuroradiológusok által értékelt MRI (DWI és MR angiográfia) arany standardjával.
3. Az mCTA diagnosztikai pontosságának felmérése a közepes és nagy érelzáródás ischaemiás stroke kimutatásában AI-alapú elemzési eszközökkel, összehasonlítva a standard ellátással végzett értékeléssel.
4. Annak felmérése, hogy az mCTA-ra alkalmazott, rendelkezésre álló, mesterséges intelligencia-alapú elemzési eszközök használata növelheti-e az EVT-re jogosult és felajánlott stroke-betegek számát.
5. A funkcionális kimenetel és a beteggel kapcsolatos kimenetel mérései 3 hónappal az EVT után olyan stroke-betegeknél, akiknél a kezdeti radiológiai diagnózist AI-alapú képelemző eszközökkel végezték, a standard ellátással diagnosztizált stroke betegekkel.

Végpontok:

Elsődleges végpontok:

- A helyi kórházban a betegek CT-vizsgálatának kezdetétől a radiológiai diagnózisig eltelt idő LVO-ban és MeVO-ban szenvedő akut stroke-betegeknél mesterséges intelligencia-szoftver használatával végzett időszakokban, összehasonlítva a szokásos ellátási időszakokkal.

Másodlagos végpontok:

• Az LVO-val és a MeVO-val azonosított betegeknél a helyi kórházban végzett CT-vizsgálat kezdetétől a thrombectomia kezdetéig eltelt idő mesterséges intelligencia-szoftver használatával végzett időszakokban, összehasonlítva a szokásos ellátási időszakokkal.
• A tünetek megjelenésétől a thrombectomia kezdetéig eltelt idő LVO-val és MeVO-val azonosított betegeknél az AI-szoftver használatával végzett időszakokban, összehasonlítva a standard ellátással diagnosztizált LVO-val és MeVO-val azonosított betegek arányával.
• Az LVO-val és MeVO-val azonosított betegek aránya az AI-szoftver használatának időszakában, összehasonlítva a standard ellátással diagnosztizált LVO-val és MeVO-val azonosított betegek arányával.
• Az LVO-val és MeVO-val azonosított betegek aránya az AI-szoftver használatával végzett időszakokban a neuroradiológusok értékeléséhez képest.
• A MeVO-ban thrombectomiával kezelt betegek aránya a mesterséges intelligencia szoftverrel végzett időszakokban, összehasonlítva a standard ellátással diagnosztizált LVO-val és MeVO-val azonosított betegek arányával.
• Funkcionális kimenetel 3 hónappal az EVT után olyan stroke-betegeknél, akiknél a kezdeti radiológiai diagnózis AI-alapú képelemző eszközökkel történt, összehasonlítva a standard ellátással diagnosztizált stroke-betegekkel.
• A betegekre vonatkozó eredményeket 3 hónappal az EVT után mérik azoknál a stroke-betegeknél, akiknél a kezdeti radiológiai diagnózis AI-alapú képelemző eszközökkel történt, összehasonlítva a standard ellátással diagnosztizált stroke betegekkel.

Ez a tanulmány a thrombectomia szolgáltatás prospektív megfigyeléses vizsgálatának része, az elsődleges és átfogó stroke központok stroke osztályai és radiológiai osztályai együttműködésével – az Oslo Acute Revascularization Stroke Study (OSCAR) (REK 2015/1844, EudraCT szám: 2018-004691-). 36). 2017 januárja óta már gyűjtöttek adatokat az Oslói Egyetemi Kórházban EVT-vel kezelt betegekről, és közel 1100 EVT-vel kezelt beteget vettek figyelembe. Az adatbázis részletes információkat tartalmaz a logisztikai, szállítási, klinikai, radiológiai adatokról, valamint a kezelésről, beleértve a rehabilitációt is, a kiindulási állapottól a 3 hónapos utánkövetésig prospektívan.

A tanulmány egy 12 hónapos időszakkal kezdődik, regisztrációval az AI-szoftver bevezetése előtt. Az ebből az időszakból és az OSCAR-tanulmányból származó adatokat összevetjük az AI szoftver bevezetése után gyűjtött adatokkal. A vizsgálatot a Drammen Kórházban kezdjük, majd a Vestre Viken Hospital Trust és az Østfold Hospital Trust többi kórházában is végrehajtjuk. Az adatokat az AI szoftver bevezetése után legalább 18 hónapig rögzítjük. Az inklúziós szakasz hosszát a felvételi aránynak megfelelően módosítjuk.