BLANDISH (hersenen, functieverlies, aneurisme, ziekte, letsel, beroerte, bloeding) (BLANDISH)

Bij NeuroICU volgen de behandelingen doorgaans richtlijnen die zijn gebaseerd op wetenschappelijke consensus. Desondanks is de prognose voor patiënten met intracraniale bloedingen de afgelopen decennia niet significant verbeterd, wat over het algemeen tot onbevredigende resultaten heeft geleid. Hoewel gerandomiseerde gecontroleerde onderzoeken (RCT's) worden beschouwd als de gouden standaard voor klinisch onderzoek, kunnen ze duur en ethisch uitdagend zijn om uit te voeren. Observationele studies bieden een alternatieve methode, waarbij grotere datasets over langere perioden worden aangeboden, wat voor bepaalde onderzoeksinspanningen voordeliger en haalbaarder kan zijn.

Machine Learning (ML)-algoritmen hebben, in tegenstelling tot klassieke statistische methoden, het vermogen om een ​​groot aantal variabelen te verwerken, wat een gepersonaliseerde en betrouwbare aanpak biedt voor zorgverleners op het gebied van patiëntenbeheer. We onderkennen de noodzaak van goed opgezette onderzoeken om optimale therapeutische strategieën voor neurokritische patiënten te identificeren en erkennen de beperkingen van bestaande richtlijnen. We streven ernaar om ML-programma's in te zetten om een ​​geavanceerd systeem te ontwikkelen dat in staat is datapatronen bloot te leggen en deze te koppelen aan mogelijke uitkomsten.

Het BLANDISH-project richt zich op patiënten met een spontane intracerebrale bloeding (sICH), een aandoening waarvoor geen bewezen gunstige behandeling bestaat. Door gegevens te verzamelen en te analyseren van sICH-patiënten die zijn opgenomen op de neuro-ICU, wil het project een gesuperviseerd ML-algoritme ontwikkelen met de naam BLANDISH.

Dit algoritme zal patiënten stratificeren op basis van de prognose, waarbij degenen met het hoogste risico op overlijden en secundair hersenletsel worden geïdentificeerd. Door elke patiënt naar de meest gerichte therapeutische strategie te leiden, kan het algoritme de patiëntresultaten helpen verbeteren en de effectiviteit van de huidige klinische praktijken beoordelen. Bovendien kan het zorgpersoneel hierdoor in staat stellen middelen beter toe te wijzen en geïndividualiseerde therapeutische programma's te introduceren op basis van precisiegeneeskunde, waardoor de ziekenhuisopnametijden en de gezondheidszorgkosten mogelijk worden verminderd.

De eerste stap bij de ontwikkeling van het BLANDISH-algoritme omvat het verzamelen van klinische gegevens, opgeslagen in een gestructureerd datameer, dat dienst doet als gegevensopslagplaats. Dit platform zal informatie verzamelen over het klinische beloop van sICH-patiënten die zijn opgenomen op de neuro-ICU. Na het verzamelen van de gegevens omvatten de volgende stappen voorverwerking, selectie van variabelen gecorreleerd met patiëntsterfte, en algoritmetraining met invoergegevens en interne validatie om het gedrag ervan te controleren. Externe validatie zal volgen, waarbij gegevens uit verschillende klinische centra worden verzameld om de betrouwbaarheid en het generalisatievermogen van het algoritme te beoordelen. Vervolgens zal een multicenter observationeel klinisch onderzoek worden uitgevoerd om het BLANDISH-algoritme te valideren, met als doel de impact ervan op sICH-patiëntenresultaten te bepalen. Deze laatste fase omvat een overlevingsonderzoek waarin patiënten uit de experimentele groep (wiens behandeling wordt begeleid door BLANDISH) worden vergeleken met degenen die de standaard klinische praktijk volgen. Het project heeft tot doel de superioriteit van de ML-aanpak ten opzichte van de huidige richtlijnen aan te tonen, door de nauwkeurigheid en potentiële verbeteringen in het patiëntenbeheer in verschillende zorgomgevingen te evalueren.