AI által vezérelt szívmegállás előrejelzése és kezelése

A hirtelen szívmegállás (SCA) továbbra is jelentős halálozási ok az Egyesült Államokban. A reanimációs eredmények javítására tett jelentős erőfeszítések ellenére a túlélési arány továbbra is alacsony. Sőt, a SCA gyakran az alapvető szívbetegség első megnyilvánulása, amelyet követően a túlélők jellemzően másodlagos krónikus kardiovaszkuláris és neurológiai betegségekben szenvednek a primer károsodás miatt. A SCA-ból való újraélesztést olyan betegeknél kezdeményezik, akik életveszélyes szívritmuszavarokban szenvednek, általában kamrai tachycardia/fibrillatio (VT/VF) vagy pulzus nélküli elektromos aktivitás (PEA) esetén, amely sikeres esetben spontán keringés visszatérésével (ROSC) jár. Ezt azonban gyakran ismételt újraérintettség követi, akár VT/VF, PEA, vagy asystolia miatt. Fontos megjegyezni, hogy a VT/VF és a PEA mechanizmusai jelentősen eltérnek, és protokollizált, nem célzott kezelések ronthatják az eredményeket. Jelenleg a kezeléseket általában az újraérintettség bekövetkezése után kezdik meg, anélkül, hogy figyelembe vennék az egyes betegek egyedi személyes vagy megállási jellemzőit, amelyek ismert prediktorai a szívmegállás kimeneteleinek. Legutóbbi tanulmányok kimutatták, hogy a szívmegállásra adott gyorsabb és célzottabb terápiás válasz (azaz rövidebb kezelési idő újraérintettség típus-specifikus kezeléssel) jelentősen javíthatja a túlélést és a SCA utáni lefelé irányuló krónikus szövődményeket. Ezért a szívmegállás vagy újraérintettség előfordulásának és okának (azaz VT/VF és PEA) előrejelzési képessége irányíthatja a korai személyre szabott terápiát, és végső soron javíthatja a reanimációs eredményeket, ami ennek az erőfeszítésnek a hosszú távú transzlációs célja. Emellett a korai beavatkozás kritikus lehet vidéki közösségekben, ahol a végső kórházi ellátásig tartó szállítási idő hosszú, és az erőforrások korlátozottak.

A folyamatban lévő munkában a kutatók nemrég megfigyelték a mentőszolgálati (EMS) betegeknél, hogy a klinikai paraméterek (pl. életkor, primer megállás típusa) hozzáadása az EKG T-hullámból származó jellemzőkhöz egy gépi tanulás (ML) modellben javítja a VT/VF és PEA előrejelzési pontosságát (>90%). A kutatók egy ML-vezérelt újraérintettség előrejelzés megvalósíthatósági vizsgálatot javasolnak. Az általános hipotézis az, hogy egy EKG biomarkerek, kombinálva klinikai jellemzőkkel, előre jelezheti az újraérintettséget és annak okát (VT/VF vagy PEA), ami jelentősen javítja a kezelési időt és a szívmegállás akut és krónikus kimeneteleit. A kutatók továbbá feltételezik, hogy az ilyen technológia könnyen átvehető és sikeresen implementálható a mentőszolgálati dolgozók által. A kutatók két összefüggő klinikai vizsgálatot terveznek, egyet egy megfigyelési vizsgálatot szimulált szívmegállásban, és egy második megfigyelési vizsgálatot EMS betegekben. A következő specifikus célok tesztelik ezeket a hipotéziseket.

Cél 1. A végfelhasználók teljesítményének és elégedettségének meghatározása egy teljesen automatizált ML-vezérelt újraérintettség előrejelző eszközzel szimulált szívmegállási forgatókönyvek használatával. A mentőszolgálati szolgáltatókat valós újraérintettség EKG felvételeket használó szimulált valós idejű reanimációs forgatókönyvekben tanulmányozzák, hogy azonosítsák a technológia implementálásának és átvételének akadályait és elősegítőit, valamint a szolgáltató elégedettségét és a beavatkozás érzékelt értékét. Ezt a szolgáltatói teljesítménymutatók meghatározásával (pl. ML-vezérelt terápiák kezdeményezése) és kvalitatív eszközök használatával érik el a végfelhasználói elköteleződés, bizalom és érzékelt hasznosság értékelésére. Ezek a tanulmányok alapvető adatokat szolgáltatnak a technológia implementálásához és skálázhatóságához mind egy klinikai vizsgálathoz, mind a jövőbeli FDA és szabályozási engedélyezés iránymutatásához.

Cél 2. Egy többosztályos ML modell pontosságának tesztelése valós idejű újraérintettség előfordulásának és típusának (VT/VF vs. PEA) előrejelzésére, valamint a kezelési időre gyakorolt hatására, egy megfigyelési klinikai vizsgálatban szívmegállásos betegeknél. A Cleveland-lel és a közösségi EMS-sel folyamatban lévő együttműködésre támaszkodva a kutatók EMS szívmegállásos betegeket vesznek fel, és megfigyelik az újraérintettség előfordulását egy koncepcióigazoló megfigyelési validációs tanulmányban. A teljesen automatizált ML modell pontosságát az újraérintettség és annak típusának előrejelzésére meghatározzák, de a kezelési iránymutatást ebben a szakaszban nem tesztelik. A szolgáltatók vakok lesznek az ML kimenetére, és az ML nem fogja irányítani a kezelést. Offline módon összehasonlítják az előrejelzési pontosságot és a becsült időt ML-vezérelt kezelési döntésig a tényleges újraérintettség típusával és kezelési idejével. Ezek az eredmények előzetes biztonsági és pontossági eredményeket, minta méret becsléseket, valamint felvételi és tájékoztatott beleegyezési folyamatokat szolgáltatnak egy jövőbeli randomizált kontrollált klinikai vizsgálathoz az ML-vezérelt újraérintettség kezelések tesztelésére.