Predizione e Trattamento dell'Arresto Cardiaco Guidati dall'IA

L'arresto cardiaco improvviso (SCA) rimane una delle principali cause di mortalità negli Stati Uniti. Nonostante gli sforzi significativi per migliorare gli esiti della rianimazione, la sopravvivenza rimane scarsa. Inoltre, l'SCA è spesso la prima manifestazione di una cardiopatia sottostante, dopo la quale i sopravvissuti tipicamente soffrono di malattie cardiovascolari e neurologiche croniche secondarie a causa dell'insulto primario. La rianimazione da SCA viene avviata in pazienti che soffrono di aritmie potenzialmente letali, generalmente tachicardia/fibrillazione ventricolare (TV/FV) o attività elettrica senza polso (PEA), che, se ha successo, è seguita dal ritorno della circolazione spontanea (ROSC). Questo, tuttavia, è comunemente seguito da ripetuti riarresti dovuti a TV/FV, PEA o asistolia. È importante notare che i meccanismi di TV/FV e PEA variano significativamente, e trattamenti protocollizzati e non diretti possono peggiorare gli esiti. Attualmente, i trattamenti sono tipicamente avviati dopo che si verifica un riarresto e senza considerare le caratteristiche personali uniche del paziente o le caratteristiche dell'arresto, fattori noti per essere predittori degli esiti dell'arresto cardiaco. Studi recenti hanno dimostrato che una risposta terapeutica più rapida e mirata (cioè, un tempo più breve per il trattamento con terapia specifica per il tipo di riarresto) per l'arresto cardiaco può migliorare significativamente la sopravvivenza e le sequele croniche successive all'SCA. Pertanto, la capacità di prevedere l'insorgenza e la causa dell'arresto cardiaco o del riarresto (cioè TV/FV e PEA) potrebbe guidare una terapia personalizzata precoce e migliorare infine gli esiti della rianimazione, che è l'obiettivo traslazionale a lungo termine di questo sforzo. Inoltre, un intervento precoce potrebbe essere cruciale nelle comunità rurali, dove i tempi di trasporto verso cure ospedaliere definitive sono lunghi e le risorse sono limitate.

In lavori in corso, i ricercatori hanno recentemente osservato in pazienti dei servizi di emergenza medica (EMS) che l'aggiunta di parametri clinici (ad esempio, età, tipo di arresto primario) a caratteristiche derivate dall'onda T dell'ECG in un modello di apprendimento automatico (ML) migliora l'accuratezza predittiva di TV/FV e PEA (>90%). I ricercatori propongono uno studio di fattibilità sulla previsione guidata da ML del riarresto. L'ipotesi generale è che un biomarcatore ECG, combinato con caratteristiche cliniche, possa prevedere il riarresto e la sua causa (TV/FV o PEA), il che migliorerà significativamente il tempo al trattamento e gli esiti acuti e cronici dell'arresto cardiaco. I ricercatori ipotizzano inoltre che tale tecnologia possa essere facilmente adottata e implementata con successo dai soccorritori di emergenza. I ricercatori pianificano due studi clinici interrelati, uno uno studio osservazionale in arresto cardiaco simulato, e un secondo studio osservazionale in pazienti EMS. I seguenti obiettivi specifici metteranno alla prova queste ipotesi.

Obiettivo 1. Determinare le prestazioni e la soddisfazione degli utenti finali con un dispositivo completamente automatizzato di previsione del riarresto guidato da ML utilizzando scenari di arresto cardiaco simulato. Verranno studiati i fornitori di emergenza, in scenari di rianimazione simulati in tempo reale utilizzando registrazioni ECG reali di riarresto, per identificare barriere e facilitatori all'implementazione e all'adozione della tecnologia, nonché la soddisfazione dei fornitori e il valore percepito dell'intervento. Ciò sarà ottenuto determinando le metriche di prestazione dei fornitori (ad esempio, avvio di terapie guidate da ML) e utilizzando strumenti qualitativi per valutare l'impegno, la fiducia e l'utilità percepita degli utenti finali. Questi studi forniranno dati fondamentali per l'implementazione e la scalabilità della tecnologia sia per uno studio clinico che per la guida per future approvazioni FDA e normative.

Obiettivo 2. Testare l'accuratezza di un modello ML multiclasse per la previsione in tempo reale dell'insorgenza del riarresto e del suo tipo (TV/FV vs. PEA) e l'impatto sul tempo al trattamento, in uno studio clinico osservazionale di pazienti con arresto cardiaco. Sfruttando una collaborazione in corso con Cleveland e EMS della comunità, i ricercatori arruoleranno pazienti EMS con arresto cardiaco e osserveranno l'insorgenza di riarresto in uno studio di validazione osservazionale proof-of-concept. Verrà determinata l'accuratezza del modello ML completamente automatizzato nel prevedere il riarresto e il suo tipo, ma la guida al trattamento non sarà testata in questa fase. I fornitori saranno ciechi rispetto all'output del ML, e il ML non dirigerà il trattamento. Offline, l'accuratezza predittiva e il tempo stimato per la decisione di trattamento guidata da ML saranno confrontati con il tipo effettivo di riarresto e il momento del trattamento. Questi risultati forniranno risultati preliminari di sicurezza e accuratezza, stime della dimensione del campione e processi di reclutamento e consenso informato per un futuro studio clinico controllato randomizzato per testare i trattamenti per il riarresto guidati da ML.