BLANDISH(뇌, 기능 상실, 동맥류, 질병, 부상, 뇌졸중, 출혈) (BLANDISH)

NeuroICU에서 치료는 일반적으로 과학적 합의에 기초한 지침을 준수합니다. 그럼에도 불구하고, 두개내 출혈 환자의 예후는 최근 수십 년 동안 크게 개선되지 않아 일반적으로 만족스럽지 못한 결과를 초래합니다. 무작위 대조 시험(RCT)은 임상 연구의 표준으로 간주되지만 비용이 많이 들고 수행하기가 윤리적으로 어려울 수 있습니다. 관찰 연구는 더 긴 기간을 포괄하는 더 큰 데이터 세트를 제공하는 대체 방법을 제공하며, 이는 특정 연구 노력에 더 유익하고 실현 가능합니다.

기계 학습(ML) 알고리즘은 기존 통계 방법과 달리 방대한 수의 변수를 처리할 수 있는 기능을 갖추고 있어 환자 관리에서 의료 서비스 제공자에게 개인화되고 신뢰할 수 있는 접근 방식을 제공합니다. 신경병 환자를 위한 최적의 치료 전략을 식별하기 위해 잘 설계된 연구의 필요성을 인식하고 기존 지침의 한계를 인정하면서 우리는 ML 프로그램을 활용하여 데이터 패턴을 찾아내고 이를 잠재적인 결과와 연결할 수 있는 고급 시스템을 개발하는 것을 목표로 합니다.

BLANDISH 프로젝트는 입증된 유익한 치료법이 부족한 자연뇌내출혈(sICH) 환자에 초점을 맞추고 있습니다. 이 프로젝트는 신경중환자실에 입원한 sICH 환자로부터 데이터를 수집하고 분석하여 BLANDISH라는 지도 ML 알고리즘을 개발하는 것을 목표로 합니다.

이 알고리즘은 예후에 따라 환자를 계층화하여 사망 및 이차 뇌 손상 위험이 가장 높은 환자를 식별합니다. 각 환자를 가장 표적화된 치료 전략으로 안내함으로써 알고리즘은 환자 결과를 개선하고 현재 임상 실습의 효과를 평가하는 데 도움이 될 수 있습니다. 또한 의료진이 자원을 더 효율적으로 할당하고 정밀 의학을 기반으로 한 개별화된 치료 프로그램을 도입하여 잠재적으로 입원 시간과 의료 비용을 줄일 수 있습니다.

BLANDISH 알고리즘 개발의 초기 단계에는 데이터 저장소 역할을 하는 구조화된 데이터레이크에 저장된 임상 데이터를 수집하는 작업이 포함됩니다. 이 플랫폼은 신경중환자실에 입원한 sICH 환자의 임상 과정에 대한 정보를 수집합니다. 데이터 수집 후 다음 단계에는 전처리, 환자 사망률과 관련된 변수 선택, 입력 데이터를 사용한 알고리즘 교육 및 동작 제어를 위한 내부 검증이 포함됩니다. 알고리즘의 신뢰성과 일반화 능력을 평가하기 위해 다양한 임상 센터에서 데이터를 수집하는 등 외부 검증이 이어집니다. 그런 다음 sICH 환자 결과에 미치는 영향을 확인하기 위해 BLANDISH 알고리즘을 검증하기 위해 다기관 관찰 임상 연구가 수행될 것입니다. 이 마지막 단계에는 실험 그룹(BLANDISH에 따라 치료가 진행됨)의 환자와 표준 임상 실습을 따르는 환자를 비교하는 생존 연구가 포함됩니다. 이 프로젝트는 현재 지침에 비해 ML 접근 방식의 우수성을 입증하고 다양한 치료 환경에서 환자 관리의 정확성과 잠재적 개선 사항을 평가하는 것을 목표로 합니다.