Betrouwbare kunstmatige intelligentie voor het verbeteren van de uitkomsten van een beroerte (TRUSTroke)

Beroerte is wereldwijd een belangrijke doodsoorzaak en invaliditeit. De klinische validatie van verklaarbare en interpreteerbare oplossingen op het gebied van kunstmatige intelligentie (AI) ter ondersteuning van een tijdige, gepersonaliseerde behandeling van de acute fase van een beroerte zou een grote impact hebben, omdat het de mate van invaliditeit van patiënten aanzienlijk kan verminderen. Ook is de voorspelling van de resultaten op de lange termijn een cruciale factor, omdat deze cruciale beslissingen kan bepalen, zoals de bestemming van het ontslag voor de patiënt. Bovendien is aangetoond dat het naleven van op richtlijnen gebaseerde secundaire beroertepreventie het risico op herhaling van een beroerte vermindert, maar momenteel volgt slechts 40% van de patiënten preventieve behandelingen drie maanden na een beroerte. Daarom kunnen de resultaten van patiënten verbeteren met de juiste pakketten voor patiëntcommunicatie en betrokkenheid. AI kan een dramatische impact hebben op het traject van patiënten met een beroerte, waardoor voorspellingen worden verbeterd, resulterend in een betere keuze van secundaire beroertestrategieën, en op bewijs gebaseerde informatie wordt gebruikt om een ​​betere therapietrouw en vermindering van vasculaire risicofactoren te bevorderen.

Het doel van deze multicentrische observationele prospectieve studie is het ontwikkelen en valideren van op AI gebaseerde hulpmiddelen om de korte- en langetermijnresultaten bij patiënten met een ischemische beroerte te voorspellen. Deze studie heeft specifiek tot doel de nauwkeurigheid van AI-modellen aan te tonen bij het voorspellen van de functionele uitkomst van patiënten met een ischemische beroerte, zoals gemeten aan de hand van de NIHSS (0-42) en de mRS (0-6) scores bij ontslag uit het ziekenhuis en op 3, 6 en 12. maanden na ontslag. Potentiële patiënten met een ischemische beroerte uit drie grote Europese centra zullen worden gerekruteerd. Het trainen en testen van lokale AI-modellen zal worden uitgevoerd met behulp van ziekenhuisopnamegegevens, verzameld tijdens de standaard zorgprocedures voor patiëntentrajecten met een beroerte, en poliklinische gemonitorde gegevens van een extern thuiszorgsysteem (NORA-app) tijdens de follow-up na ontslag. Deze lokale modellen zullen vervolgens worden geïntegreerd in een federatief leersysteem, waarbij alleen een mondiaal AI-model, afgeleid van gecombineerde inzichten van alle lokale modellen, wordt gedeeld tussen de deelnemende ziekenhuizen. De individuele lokale modellen en de originele gegevens worden niet gedeeld, waardoor de privacy en veiligheid van gegevens wordt gewaarborgd. De nauwkeurigheid en prestaties van prospectief geoptimaliseerde AI-modellen bij het voorspellen van klinische resultaten gedurende een follow-upperiode van 12 maanden zullen worden geëvalueerd en vergeleken met de werkelijke resultaten van de patiënten.