脊椎麻酔による帝王切開術後の低血圧リスクを予測する人工知能アルゴリズムの開発

理論的根拠: 帝王切開は、適切に指示された場合、母親と赤ちゃんの両方の健康を保つ出産方法です。 帝王切開による出産率はここ数年、世界中で増加しています。 2010 年から 2018 年の間に、世界中で追跡された出生のうち 21.1% が帝王切開で行われました。 世界保健機関（WHO）によると、この割合はさらに増加し​​、2030年までに29％に達すると予想されています。

帝王切開の麻酔は、妊娠によって母体に引き起こされる生理学的変化と病理学的変化の両方によって基本的に影響を受けます。 妊娠および出産中に起こる変化と、その結果生じる差異は、麻酔科医にとって課題となる可能性があります。

先進国では、選択的帝王切開の 78% が脊椎麻酔下で行われており、これは麻酔科医によって最も広く使用されている技術となっています。 脊椎麻酔は医原性交感神経遮断を誘導し、動脈および静脈の血管拡張とともに全身の血管抵抗を低下させ、低血圧を引き起こします。 Klöhr らの報告によれば、妊婦における脊椎麻酔後の低血圧の発生率は 7.4% ～ 74% の範囲です。 妊婦では低血圧の頻度が高くなります。これは、胎児の下大静脈の圧迫や硬膜外領域の側副静脈叢の発達によって引き起こされる仰臥位低血圧症候群などの要因により、脳脊髄液中の髄腔内局所麻酔薬の上昇につながります。 患者の低血圧と徐脈が悪化すると、心虚脱、胎児の低酸素症、アシドーシスを引き起こす可能性があり、母体と胎児の両方の健康に予期せぬリスクをもたらします。 麻酔科医の役割は、この危険な状態を効果的に予防または管理することです。

ディープラーニングと人工知能 (AI) の最近の進歩は、麻酔の分野でも活躍しています。 麻酔における AI アプリケーションは、次の 5 つの主な領域に分類できます。1) 麻酔深度のモニタリング (例、麻酔中の EEG データを分析する技術)、2) 麻酔深度に基づく麻酔薬送達の制御、3) イベント予測、4)超音波ガイド、5) 疼痛管理。

これらのアプリケーションの中でも、イベント予測は麻酔科医にとって特に重要です。 イベントが発生する前にそれを知ることは、イベントの予防に貢献したり、より正確な管理を可能にしたりします。 文献には、イベント予測に AI を使用した 53 件の研究があり、その中には手術中の低血圧を予測するアルゴリズムを開発し、これらのアルゴリズムを検証する研究も含まれます。 このプロジェクトが既存の研究と異なる点は次のとおりです。

これらの研究は、帝王切開中の脊椎麻酔による低血圧を予測するために特別に開発されたものではありません。

これらの研究では、低血圧の予測に主に波動解析（非侵襲的または侵襲的）が使用されています。 このプロジェクトでは、このアプローチは利用されません。 術前評価が実施され、患者の特徴が記録されます。 したがって、結果として得られるアルゴリズムは、動的/リアルタイム データ入力アルゴリズムではありません。

術前の特徴の記録が容易であること、侵襲的な動脈モニタリングの必要がないこと、および適用可能性の可能性により、アルゴリズムの開発がより実用的になります。 開発されたアルゴリズムは実用化されるでしょう。

トレーニングされるアルゴリズムは、Hatib らによる研究と同様に、低血圧のリスクをパーセンテージで報告します。

AI とそのサブセットである機械学習アルゴリズムは、私たちの生活のあらゆる側面に影響を与えます。 医療分野では、特に臨床上の意思決定における人的エラーを減らす方法として使用されています。

この研究では、脊椎麻酔を受けている妊婦について、人口統計情報、バイタルサイン、特定の血液パラメータ、および脊椎麻酔の投与に関連する特定の特徴が体系的に記録されます。 血液パラメータには、全血球数、血清電解質、肝酵素レベル (ALT/AST)、およびシンデカン-1 が含まれます。 すべての血液パラメーターは元の研究プロトコールに記載されています。 シンデカン-1 は、血管内皮糖衣層の分解または損傷とともに血清中に放出される分子です。 特に、体積負荷、敗血症、または炎症過程中に上昇します。 血清シンデカン-1 レベルは妊娠週数が進むにつれて増加し、最も顕著な増加は 20 週目と 30 週目の間に起こります。 妊娠後期に子癇前症が発症すると、シンデカン-1 レベルが低下します。

高血圧妊娠におけるシンデカン-1 レベルは、正常妊娠と比べて有意に変化しませんが、子癇前症の存在下ではシンデカン-1 レベルに差が観察されています。 したがって、方法のセクションで述べたように、高血圧症および子癇前症の妊婦は研究に含まれません。

脊椎麻酔を受けた帝王切開患者の術前と術後のシンデカン-1レベルを調べた研究では、有意な差が見つかりました。 この研究では、術前の予防的輸液ボーラス投与が内皮糖衣分解に影響を与えたと結論付けています。 この研究に基づいて、Syndecan-1 は理論的には低血圧を予測するための新しいマーカーになる可能性があります。 Syndecan-1 はこれまでに妊婦を対象に研究されてきましたが、帝王切開患者の術前の Syndecan-1 レベルと脊椎麻酔中の低血圧との関係を調べた研究は文献にありません。 この研究では、Syndecan-1 と低血圧の関係を調査し、開発されたアルゴリズムにおけるその位置を評価します。

各患者の初期データを記録した後、低血圧の進行が観察され文書化されます。 収集されたデータは、導入後の低血圧の発生の有無との関係を調べるために分析されます。 さらに、このデータを使用して人工知能アルゴリズムが開発されます。 主な目的はアルゴリズムを開発することです。 研究期間中、妊婦に適用される麻酔管理に変更はありません。

これに関連して、開発されたアルゴリズムは、脊椎麻酔によって引き起こされる低血圧を早期に特定し（手術開始前に低血圧のリスクを予測し）、早期に治療を開始できるようにすることを目的としています。

方法：

プロジェクトの実施時期: このプロジェクトの倫理的承認は、ハジェッテペ大学の非介入臨床研究倫理委員会によって付与されています。 プロジェクトは2023年11月から2024年4月まで実施される予定。

プロジェクトの方法論とデータ収集ツール:

手術室の対象基準を満たす患者のデータは、帝王切開のための入院後に送られる定期的な検査結果、術前の看護師観察票、手術中に麻酔によって監視されるバイタルサインの記録から取得されます。 患者が手術室に運ばれた後、麻酔科医がデータ収集フォームに情報を記入します。 脊椎麻酔後の低血圧の持続期間は、妊婦の麻酔投与直後から始まり、約 10 ～ 15 分以内に最低レベルに達します。 20～30分以内に正常に戻ることが知られています。 ただし、低血圧の期間は、在胎週数、麻酔の量、患者の全体的な健康状態、その他の要因などの要因によって異なります。 特に、麻酔の投与量が多い場合や高血圧の妊婦では、低血圧の期間が長くなる可能性があります。 したがって、低血圧の持続期間は患者ごとに個別に評価する必要があります。 ただし、この研究では、最初の 15 分間の観察が推奨されます。 このアルゴリズムが術前の特徴に基づいて脊髄誘発性低血圧を予測するため、この設定が行われます。 観察期間が延長されると、出産の発生、心拍出量の増加、手術中のオキシトシン注入の開始により、血行動態は複数の独立した要因の影響を受ける複雑な状況になります。 データ収集は最初の 15 分後に終了し、15 分以降に発生した低血圧は研究には記録されません。観測は終了します。

プロジェクトデータの収集:

患者が手術室に運ばれる前に、血液パラメータを測定するために患者から採取される定期的な分娩前の血液サンプルから適切な量の血液が採取されます。 シンデカン-1 を除いて、血液パラメーターの他のパラメーターは、ハジェッテペ大学病院の生化学研究室で日常的に行われる日常的な検査です。

シンデカン-1 を測定する場合、吸光度の読み取りは、ハジェッテペ大学生化学部にある SpectraMax-M2 (Molecular Devices、米国) デバイスを使用して行われます。 続いて、血清シンデカン-1 レベルが、標準グラフに基づいて GraphPad Prism プログラムを使用して計算されます。 シンデカン-1 測定に必要な ELISA キットの調達は、ハジェッテペ大学の科学研究プロジェクト オフィスから得た資金を通じて行われます。

データ分析：

アルゴリズム開発のステップ全体を通じて、Python プログラミング言語が使用されます。 人工知能アルゴリズムの開発プロセスは、「生物医学研究における機械学習予測モデルの開発と報告に関するガイドライン: 学際的な視点」ガイドラインに準拠します。 手順は次のとおりです。

• データ収集: データは、データ収集フォームに記入することによって記録されます。
• データ処理: データ収集後、データは処理され、トレーニング データと内部検証データにランダムに分割されます。 データからアーティファクトや誤読が除去されます。
• 注釈: データには人工知能の分類のラベルが付けられ、低血圧の定義に注釈が付けられます。 人工知能による低血圧の検出の可能性を判断するための研究が行われる予定です。
• 特徴の選択: アノテーション付きイベントを最大限に予測する特徴が選択されます。 このプロセスには 1 つ以上の特徴選択アルゴリズムが使用され、モデルで達成された成功に基づいて特徴が選択されます。
• モデルの作成: データ内で最も関連性の高い特徴が選択され、モデルが開発されます。 文献で分類プロセスに一般的に使用される、K 最近傍法、サポート ベクター マシン (SVM)、デシジョン ツリー、ランダム フォレストなどの基本的な分類アルゴリズムを使用して、基本的なパフォーマンス比を取得します。 その後、深層学習手法を開発し、提案手法と基本手法との性能差を検証する。

相互検証: モデルの初期バージョンのパフォーマンスは、モデルがこれまでに見たことのないデータのサブグループによる相互検証を繰り返し受けます。 これにより、データの変化に伴うパフォーマンスの変化を調べることによってモデルのパフォーマンスが決定されます。 データ サイズに応じて、10 分割相互検証または 5 分割相互検証方法が採用されます。

内部検証: トレーニング データでトレーニングされたアルゴリズムの予測パフォーマンスは、これまでに遭遇したことのない内部検証データを使用して評価されます。

アルゴリズム開発プロセスに加えて、比較される変数が正規分布している場合は、ANOVA などの統計的テストが必要になります。スチューデントの t 検定とマン-ホイットニーの U 検定は、比較されるグループの数と変数の正規分布分析に基づいて使用されます。 ピアソン相関分析とスピアマン相関分析は、変数の正規分布分析に基づいて、低血圧値と他の連続パラメーターの間の関係を分析するために使用されます。 さらに、システムの予測可能性は、感度、特異度、陽性的中率 (PPV)、陰性的中率 (NPV)、オッズ比 (OR)、リスク比 (RR)、受信者動作特性曲線、および曲線下面積を使用してテストされます。 (AUROC)、およびピアソン相関係数 (r) 検定。 p<0.05 の統計的有意水準が受け入れられます。 統計分析には、Statistical Packages for the Social Sciences v26.0 (SPSS Inc.、イリノイ州シカゴ) ソフトウェアが使用されます。