Klinische uitkomstmodellering van snelle dynamiek bij acute beroerte

Beroerte - nog steeds de op één na meest voorkomende doodsoorzaak en belangrijkste oorzaak van neurologische invaliditeit bij volwassenen in de westerse wereld - wordt gekenmerkt door snelle veranderingen in de tijd en duidelijke variabiliteit in uitkomsten. Een patiënt kan binnen enkele minuten verbeteren of verslechteren, en de resulterende handicap kan variëren van een duidelijke volledige verlamming tot subtiele, taakafhankelijke coördinatiestoornissen van een enkel ledemaat.

In tegenstelling tot veel andere neurologische aandoeningen kan een beroerte buitengewoon gevoelig zijn voor een snelle en intelligent op maat gemaakte behandeling, waardoor innovatie in de zorg wordt beloond met een tastbare impact op de patiëntresultaten. Een optimale behandeling vereist daarom zowel een gedetailleerde karakterisering van het ziektebeeld van de patiënt als het veranderingspatroon ervan in de loop van de tijd.

Ongetwijfeld blijft het belangrijkste aspect van het klinische beeld van de patiënt - lichaamsbeweging - opmerkelijk slecht gedocumenteerd: alleen subjectief gekwantificeerd en met zeldzame tussenpozen in de klinische evolutie van de patiënt. De combinatie van kunstmatige intelligentie met high-performance computing maakt het nu mogelijk om automatisch het skelet van een patiënt te extraheren, opgelost tot grote gewrichten, zoals die van een stick-man, die eenvoudig, veilig en goedkoop kunnen worden afgeleverd, zonder het gebruik van omslachtig op het lichaam gedragen markeringen. Centraal in deze technologie staat de privacy van de patiënt, waarbij het skeletframe in realtime wordt geëxtraheerd, zodat er geen videogegevens, waaruit patiënten kunnen worden geïdentificeerd, kunnen worden opgeslagen of verzonden door het apparaat.

Ons bewegingscategorisatiesysteem - MoCat - zal worden gebruikt om de snelle dynamiek van acute beroerte te bestuderen, naadloos ingebed in de klinische stroom. Door de verandering in motorisch tekort in de loop van de tijd te kwantificeren, zullen we de relatie tussen deze trajecten met klinische resultaten onderzoeken en voorspellende modellen ontwikkelen die klinisch management kunnen ondersteunen en de dienstverlening kunnen optimaliseren.