ONTWIKKELING VAN EEN KUNSTMATIGE INTELLIGENTIE-ALGORITME OM HET HYPOTENSIERISICO TE VOORSPELLEN NA INDUCTIE IN KEIZERSE SECTIES MET SPINALE ANESTHESIE

Achtergrond: Een keizersnede is, indien correct aangegeven, een bevallingsmethode die de gezondheid van zowel de moeder als de baby beschermt. Het aantal geboorten via een keizersnede neemt wereldwijd al jaren toe. Tussen 2010 en 2018 werd 21,1% van de wereldwijd gevolgde geboorten uitgevoerd via een keizersnede. Volgens de Wereldgezondheidsorganisatie (WHO) wordt verwacht dat dit percentage zal stijgen tot 29% in 2030.

De anesthesie bij een keizersnede wordt fundamenteel beïnvloed door zowel de fysiologische als pathologische veranderingen die door de zwangerschap in het lichaam van de moeder worden veroorzaakt. Veranderingen die optreden tijdens de zwangerschap en bevalling, en de daaruit voortvloeiende verschillen, kunnen voor anesthesiologen uitdagingen opleveren.

In ontwikkelde landen wordt 78% van de electieve keizersneden uitgevoerd onder spinale anesthesie, waardoor dit de meest gebruikte techniek is door anesthesiologen. Spinale anesthesie induceert een iatrogene sympathische blokkade, waardoor de systemische vasculaire weerstand wordt verminderd, samen met arteriële en veneuze vasodilatatie, wat leidt tot hypotensie. De incidentie van hypotensie na spinale anesthesie bij zwangere vrouwen varieert van 7,4% tot 74%, zoals gerapporteerd door Klöhr et al. De frequentie van hypotensie is hoger bij zwangere vrouwen als gevolg van factoren zoals het liggende hypotensiesyndroom veroorzaakt door compressie van de inferieure vena cava van de foetus en de ontwikkeling van collaterale veneuze plexus in het epidurale gebied, wat leidt tot de opstijging van intrathecaal lokaal anestheticum in het hersenvocht. De verdieping van hypotensie en bradycardie bij de patiënt kan leiden tot hartfalen, foetale hypoxie en acidose, wat een onvoorspelbaar risico voor de gezondheid van zowel moeder als foetus met zich meebrengt. De rol van anesthesiologen is om deze risicovolle aandoening effectief te voorkomen of te beheersen.

Recente ontwikkelingen op het gebied van deep learning en kunstmatige intelligentie (AI) hebben hun plaats gevonden op het gebied van anesthesie. AI-toepassingen in de anesthesie kunnen worden onderverdeeld in vijf hoofdgebieden: 1) Bewaken van de diepte van de anesthesie (bijvoorbeeld technieken die EEG-gegevens analyseren tijdens anesthesie), 2) Controle van de toediening van anesthesiemedicijnen op basis van de diepte van de anesthesie, 3) Voorspelling van gebeurtenissen, 4) Echografiebegeleiding, en 5) Pijnbestrijding.

Van deze toepassingen is het voorspellen van gebeurtenissen met name van cruciaal belang voor anesthesiologen. Het kennen van een gebeurtenis voordat deze plaatsvindt, draagt ​​bij aan het voorkomen ervan of maakt een nauwkeuriger beheer mogelijk. Er zijn 53 onderzoeken in de literatuur geweest waarin AI werd gebruikt voor het voorspellen van gebeurtenissen, waaronder onderzoeken waarin algoritmen werden ontwikkeld om hypotensie tijdens operaties te voorspellen en deze algoritmen werden gevalideerd. Wat dit project onderscheidt van bestaande onderzoeken zijn:

Deze onderzoeken zijn niet specifiek ontwikkeld om door spinale anesthesie geïnduceerde hypotensie tijdens keizersneden te voorspellen.

Bij deze onderzoeken is voornamelijk gebruik gemaakt van golfanalyse (niet-invasief of invasief) voor het voorspellen van hypotensie. In dit project zal deze aanpak niet worden toegepast. Er zullen preoperatieve beoordelingen worden uitgevoerd en de patiëntkenmerken zullen worden geregistreerd. Daarom zal het resulterende algoritme geen dynamisch/real-time gegevensinvoeralgoritme zijn.

Het gemak van het vastleggen van preoperatieve kenmerken, de afwezigheid van de noodzaak voor invasieve arteriële monitoring en de potentie voor toepasbaarheid maken de ontwikkeling van het algoritme praktischer. Het ontwikkelde algoritme zal praktisch in gebruik zijn.

Het te trainen algoritme zal, vergelijkbaar met het onderzoek van Hatib et al., het risico op hypotensie procentueel weergeven.

AI en zijn subset, machine learning-algoritmen, hebben invloed op elk aspect van ons leven. Op medisch gebied is het een methode geworden, vooral om menselijke fouten bij klinische besluitvorming te verminderen.

In deze studie zullen demografische informatie, vitale functies, specifieke bloedparameters en bepaalde kenmerken gerelateerd aan de toediening van spinale anesthesie systematisch worden geregistreerd voor zwangere vrouwen die spinale anesthesie ondergaan. Bloedparameters omvatten het volledige bloedbeeld, serumelektrolyten, leverenzymwaarden (ALT/AST) en Syndecan-1. Alle bloedparameters staan ​​vermeld in het oorspronkelijke onderzoeksprotocol. Syndecan-1 is een molecuul dat in het serum terechtkomt bij de afbraak of beschadiging van de vasculaire endotheliale glycocalyxlaag. Het stijgt vooral tijdens volumebelasting, sepsis of ontstekingsprocessen. De serumsyndecan-1-spiegels nemen toe naarmate de zwangerschapsweken vorderen, waarbij de meest significante stijging optreedt tussen de 20e en 30e week. Als pre-eclampsie zich in de latere stadia van de zwangerschap ontwikkelt, nemen de Syndecan-1-spiegels af.

De Syndecan-1-spiegels bij hypertensieve zwangerschappen veranderen niet significant vergeleken met normale zwangerschappen, maar er zijn wel verschillen waargenomen in de Syndecan-1-spiegels in de aanwezigheid van pre-eclampsie. Daarom zullen, zoals vermeld in de paragraaf over methoden, zwangere vrouwen met hypertensie en pre-eclampsie niet in het onderzoek worden opgenomen.

In een onderzoek naar de preoperatieve en postoperatieve niveaus van Syndecan-1 bij patiënten met een keizersnede die spinale anesthesie ondergingen, werd een significant verschil gevonden. De studie concludeerde dat preoperatieve profylactische toediening van een vloeistofbolus de afbraak van de endotheliale glycocalyx beïnvloedde. Op basis van deze studie heeft Syndecan-1 het theoretische potentieel om een ​​nieuwe marker te zijn voor het voorspellen van hypotensie. Hoewel Syndecan-1 al eerder bij zwangere vrouwen is onderzocht, bestaat er in de literatuur geen onderzoek naar de relatie tussen preoperatieve Syndecan-1-spiegels en hypotensie tijdens spinale anesthesie bij keizersnedepatiënten. Deze studie zal zowel de relatie tussen Syndecan-1 en hypotensie onderzoeken als de plaats ervan in het ontwikkelde algoritme evalueren.

Na het registreren van de initiële gegevens voor elke patiënt, zal de ontwikkeling van hypotensie worden geobserveerd en gedocumenteerd. De verzamelde gegevens zullen worden geanalyseerd om de relaties tussen het al dan niet optreden van hypotensie na inductie te onderzoeken. Daarnaast zal op basis van deze gegevens een algoritme voor kunstmatige intelligentie worden ontwikkeld. Het primaire doel is om het algoritme te ontwikkelen. Tijdens het onderzoek zullen er geen veranderingen plaatsvinden in de anesthesiebehandeling die bij zwangere vrouwen wordt toegepast.

In deze context heeft het ontwikkelde algoritme tot doel hypotensie veroorzaakt door spinale anesthesie vroegtijdig te identificeren (het voorspellen van het risico op hypotensie voordat de operatie begint) en een vroege start van de behandeling mogelijk te maken.

Methode:

Tijdstip van het project: De ethische goedkeuring voor het project is verleend door de Hacettepe University Non-Interventional Clinical Research Ethics Board. Het project zal naar verwachting worden uitgevoerd tussen november 2023 en april 2024.

Methodologie en gegevensverzamelingsinstrumenten van het project:

Gegevens van patiënten die voldoen aan de inclusiecriteria in de operatiekamer zullen worden verkregen uit routinetestresultaten die worden verzonden na ziekenhuisopname voor een keizersnede, preoperatieve observatieformulieren van verpleegkundigen en gegevens van vitale functies die tijdens de operatie door anesthesie worden gecontroleerd. Nadat de patiënt naar de operatiekamer is gebracht, wordt de informatie op het gegevensverzamelingsformulier door de anesthesioloog ingevuld. De duur van de hypotensie na spinale anesthesie begint onmiddellijk na toediening van de anesthesie bij zwangere vrouwen en bereikt het laagste niveau binnen ongeveer 10-15 minuten. Het is bekend dat het binnen 20-30 minuten weer normaal wordt. De duur van de hypotensie kan echter variëren afhankelijk van factoren zoals de zwangerschapsduur, de dosis anesthesie, de algehele gezondheidstoestand van de patiënt en andere factoren. Vooral bij zwangere vrouwen met hoge anesthesiedosis of hypertensie kan de duur van de hypotensie langer zijn. Daarom moet de duur van de hypotensie voor elke patiënt afzonderlijk worden beoordeeld. In dit onderzoek wordt echter de voorkeur gegeven aan observatie gedurende de eerste 15 minuten. Deze voorkeur wordt gegeven omdat het algoritme spinale-geïnduceerde hypotensie voorspelt op basis van preoperatieve kenmerken. Met de verlengde observatieperiode, het optreden van een bevalling, de toename van het hartminuutvolume en het starten van de oxytocine-infusie tijdens de operatie, wordt de hemodynamiek een complexe situatie die wordt beïnvloed door meerdere onafhankelijke factoren. Het verzamelen van gegevens stopt na de eerste 15 minuten, en hypotensie die na de 15e minuut optreedt, wordt niet geregistreerd voor het onderzoek; de observatie wordt beëindigd.

Verzameling van projectgegevens:

Voordat patiënten naar de operatiekamer worden gebracht, wordt een voldoende hoeveelheid bloed afgenomen uit de routinematige bloedmonsters vóór de bevalling die bij de patiënt worden afgenomen voor de bloedparameters. Met uitzondering van Syndecan-1 zijn de andere parameters in de bloedparameters routinetests die routinematig worden uitgevoerd in de biochemielaboratoria van het Hacettepe University Hospital.

Bij het meten van syndecan-1 zullen absorptiemetingen worden uitgevoerd met behulp van het SpectraMax-M2-apparaat (Molecular Devices, VS) dat zich bevindt in de afdeling Biochemie van de Hacettepe Universiteit. Vervolgens zullen de serumsyndecan-1-niveaus worden berekend met behulp van het GraphPad Prism-programma op basis van de standaardgrafiek. De aanschaf van de benodigde ELISA-kits voor syndecan-1-meting zal worden uitgevoerd via financiering verkregen van het Scientific Research and Project Office van Hacettepe University.

Gegevensanalyse:

Tijdens de stappen van de algoritmeontwikkeling zal de programmeertaal Python worden gebruikt. Het ontwikkelingsproces van het kunstmatige intelligentie-algoritme zal de richtlijnen volgen voor het ontwikkelen en rapporteren van machinaal lerende voorspellende modellen in biomedisch onderzoek: een multidisciplinaire visie. De stappen zijn als volgt:

• Gegevensverzameling: gegevens worden vastgelegd door het gegevensverzamelingsformulier in te vullen.
• Gegevensverwerking: Na het verzamelen van de gegevens worden de gegevens verwerkt en willekeurig opgesplitst in trainingsgegevens en interne validatiegegevens. De gegevens worden ontdaan van artefacten en verkeerde lezingen.
• Annotatie: Gegevens zullen worden gelabeld voor de classificatie van kunstmatige intelligentie, en de definitie van hypotensie zal worden geannoteerd. Er zullen onderzoeken worden uitgevoerd om het potentieel van het detecteren van hypotensie met kunstmatige intelligentie te bepalen.
• Functieselectie: Er worden functies gekozen die geannoteerde gebeurtenissen in de hoogste mate voorspellen. Voor dit proces zullen een of meer algoritmen voor kenmerkselectie worden gebruikt, en kenmerken zullen worden geselecteerd op basis van het succes dat in de modellen wordt behaald.
• Modelcreatie: de meest relevante kenmerken in de gegevens worden geselecteerd en er wordt een model ontwikkeld. Fundamentele classificatie-algoritmen zoals K-Nearest Neighbours, Support Vector Machines (SVM), Decision Trees en Random Forest, die in de literatuur vaak worden gebruikt voor classificatieprocessen, zullen worden gebruikt om basisprestatieverhoudingen te verkrijgen. Vervolgens zal een deep learning-methode worden ontwikkeld en zal het prestatieverschil tussen de voorgestelde methode en de basismethoden worden onderzocht

Kruisvalidatie: De prestaties van de initiële versie van het model zullen herhaaldelijk worden onderworpen aan kruisvalidatie met subgroepen van gegevens die het model nog nooit eerder heeft gezien. Hiermee worden de prestaties van het model bepaald door prestatieveranderingen te onderzoeken naarmate de gegevens variëren. Afhankelijk van de gegevensgrootte zullen er methoden van 10-voudige kruisvalidatie of 5-voudige kruisvalidatie worden gebruikt.

Interne validatie: De voorspellende prestaties van het algoritme dat met de trainingsgegevens is getraind, wordt beoordeeld met behulp van interne validatiegegevens die het nog nooit is tegengekomen.

Als aanvulling op het algoritme-ontwikkelingsproces, als de variabelen die worden vergeleken normaal verdeeld zijn, kunnen statistische tests zoals ANOVA; Student's t-test en Mann-Whitney U-test zullen worden gebruikt op basis van het aantal vergeleken groepen en de normale verdelingsanalyse van variabelen. Pearson Correlatieanalyse en Spearman Correlatieanalyse zullen worden gebruikt om de relatie tussen hypotensiewaarden en andere continue parameters te analyseren op basis van de normale verdelingsanalyse van variabelen. Bovendien zal de voorspelbaarheid van het systeem worden getest met behulp van gevoeligheid, specificiteit, positief voorspellende waarde (PPV), negatief voorspellende waarde (NPV), odds ratio (OR), risk ratio (RR), receiver operating karakteristieke curve en area under the curve. (AUROC) en Pearson correlatiecoëfficiënt (r) tests. Een statistisch significantieniveau van p<0,05 wordt geaccepteerd. Voor statistische analyse zal de software Statistical Packages for the Social Sciences v26.0 (SPSS Inc., Chicago, IL) worden gebruikt.