Kunstmatige intelligentie bij subarachnoïdale bloeding (AISAH)

Patiënten met een aneurysmale subarachnoïdale bloeding (aSAH) ontwikkelen in ongeveer 30% van de gevallen vertraagde cerebrale ischemie (DCI). DCI wordt in verband gebracht met verhoogde mortaliteit, aanhoudende neurologische uitval en verminderde kwaliteit van leven. Het zou zowel patiënten als de samenleving ten goede komen als deze neurologische letsels worden verminderd. Een klinisch probleem is dat de diagnose van cerebrale ischemie bij SAH-patiënten vaak wordt uitgesteld vanwege beperkingen in de controlemogelijkheden. Bij detectie blijkt de neurologische schade vaak onomkeerbaar.

Verschillende studies hebben univariate en multivariate logistische regressieanalyse gebruikt om risicofactoren te identificeren voor de ontwikkeling van vertraagde cerebrale ischemie (DCI) bij patiënten met subarachnoïdale bloeding. Deze onderzoeken zijn echter gebaseerd op gegevens die zijn verzameld over de patiënten (bijv. leeftijd, geslacht) en de nauwkeurigheid van deze statistische modellen blijkt over het algemeen laag te zijn. Onlangs zijn ook machine learning-algoritmen voor de voorspelling van DCI met behulp van een combinatie van klinische en beeldgegevens geëvalueerd.

Voorspelling van DCO kan DCO echter niet voorkomen. Om DCO te voorkomen moet een monitoringsysteem worden ontwikkeld dat artsen kan waarschuwen voor een dreigend risico op cerebrale ischemie, waardoor het mogelijk wordt om in te grijpen en cerebrale ischemie te voorkomen.

Variaties in het autonome zenuwstelsel, zoals veranderingen in de balans tussen het sympathische en het parasympathische zenuwstelsel, kunnen worden opgespoord door middel van monitoring van hartslagvariabiliteit (HRV). HRV is gerapporteerd als een voorspeller van een slecht resultaat na traumatisch hersenletsel en beroerte, waaronder subarachnoïdale bloeding. HRV-monitoring voor detectie van beginnende cerebrale ischemie is echter niet grondig geëvalueerd. In een onderzoek onder patiënten met aSAH verzamelden we continu HRV tot 10 dagen na opname, maar slechts een klein deel van de HRV-gegevens werd offline geanalyseerd. Vijftien van de 55 patiënten ontwikkelden DCO tijdens de acute fase, en de off-line analyse van HRV toonde aan dat de laag/hoogfrequente ratio meer toenam bij patiënten die DCO ontwikkelden (Ref). Dit bracht ons ertoe om te proberen alle verzamelde HRV te analyseren met behulp van machine learning-processen, en er werd een samenwerking met computer-/datawetenschappers gestart.

Het algemene doel van deze studie is om, met behulp van computer-/datawetenschappers en machine-leerprocessen, de verzamelde HRV-gegevens te analyseren om te evalueren of er specifieke patronen kunnen worden gevonden bij patiënten die DCO ontwikkelen tijdens de acute fase na een subarachnoïdale bloeding.