Risicoanalyse van intracraniële aneurysma -breuk door sociale determinanten van gezondheid (ARAMISS)

Intracraniële aneurysma's (IA), de meest voorkomende intracraniële arteriële misvorming, beïnvloeden ongeveer 3% van de wereldbevolking. Ze worden gekenmerkt door een verwijding van de vaatwand in het intracraniële gebied, meestal bij een bifurcatie. De meest gevreesde complicatie van IA is breuk, die wordt geassocieerd met hoge morbiditeit en mortaliteit. Ongeveer 30% van de patiënten wordt geconfronteerd met de dood of ernstige handicap, en zelfs onder degenen zonder zichtbare gevolgen, tot 50% lijdt aan onzichtbare handicaps zoals cognitieve problemen. Dit verklaart de aanzienlijke economische last van gescheurde IAS, geschat op ongeveer £ 168 miljoen per jaar in het VK.

Een manier om deze morbiditeit en maatschappelijke last te verminderen, is door patiënten met een hoog risico op breuk te identificeren om te bepalen degenen die het meest waarschijnlijk ziekteprogressie ervaren. Verschillende initiatieven, zoals de elaps, fasen en UCAS -scores, zijn ontwikkeld om de ruptuurrisico te beoordelen in de routinematige klinische praktijk. Deze scores zijn echter grotendeels afhankelijk van bekende wijzigbare en niet-modificeerbare risicofactoren, zoals etniciteit, hypertensie, geslacht, leeftijd, roken en geschiedenis van subarachnoïde bloeding. Ondanks hun nut zijn ze onvoldoende voor het betrouwbaar stratificeren van de scheurrisico, waardoor het met ongeveer 30%wordt onderschat, wat hun impact in de dagelijkse praktijk beperkt.

Recent onderzoek heeft opkomende risico's en beschermende factoren geïdentificeerd, zoals het slaapapneu-syndroom, lipidecontrole en het gebruik van antidiabetische, lipidenverlagende of antihypertensieve behandelingen. Daarom is het noodzakelijk om het risico van het scheuren van deze factoren opnieuw te bekijken door deze factoren te overwegen met betrekking tot de leefomgevingen van patiënten.

Sociale determinanten van gezondheid (SDOH) spelen een cruciale rol in deze context. Gedefinieerd als de levensvoorwaarden die de gezondheid van individuele en bevolking beïnvloeden, omvatten SDOH brede factoren zoals leeftijd, etniciteit en geslacht, evenals verslavingsgedrag, inkomensniveaus, milieublootstelling en sociale status. Naar schatting zullen ze bijdragen aan meer dan 80% van de gezondheidsresultaten van de bevolking. Bij vasculaire ziekten, SDOH -SUCH als laag opleidingsniveau, beperkt inkomen, sociale isolatie en lage lichamelijke activiteit -waarvan bekend is dat ze de ernst van de ziekte beïnvloeden die verder gaan dan traditionele risicofactoren. De WHO schat dat vasculaire ziekten de belangrijkste wereldwijde oorzaak van sterfte zijn, met 17,7 miljoen doden per jaar, waarvan de helft te voorkomen is. Het begrijpen en aanpakken van SDOH is daarom cruciaal voor inspanningen voor het preventie van de volksgezondheid.

De eerste studies naar de impact van SDOH op IA -breuk zijn beperkt, vaak gericht op individuele determinanten. Een meer uitgebreide benadering van SDH is nodig, vooral gezien het ontbreken van consensusrichtlijnen voor IA -management. Huidige therapeutische opties, hoewel geavanceerd, dragen nog steeds perioperatieve morbiditeit. Multivariabele modellering en gewogen samengestelde scores kunnen helpen bij het aanpakken van de complexiteit van klinische en omgevingsfactoren.

SDH -gegevens worden routinematig verzameld in medische dossiers en in toenemende mate gedigitaliseerd via ziekenhuisinformatiesystemen. Gezondheidsgegevens magazijnen (HDW's), zoals die in het Nantes University Hospital, integreren gestructureerde en ongestructureerde gegevens van miljoenen patiënten, waardoor hun hergebruik voor onderzoeksdoeleinden mogelijk is. De komst van kunstmatige intelligentie (AI) heeft het mogelijk gemaakt om deze gegevens te extraheren en te analyseren, waardoor inzichten uit eerder ontoegankelijke informatie worden onthuld.

Natural Language Processing (NLP), een tak van AI, maakt geautomatiseerde extractie van informatie uit tekstuele medische dossiers mogelijk, waardoor het potentieel van ongestructureerde gegevens binnen HDW's wordt ontgrendeld. State-of-the-art modellen, zoals Bert, Chatgpt, Lama en Mistral, kunnen grote hoeveelheden tekst verwerken en analyseren. De toepassing van NLP op niet-Engelse talen wordt echter beperkt door een gebrek aan geannoteerde corpora, privacyproblemen en data soevereiniteitsvoorschriften.

Het Aramiss -project is bedoeld om de interactie tussen SDH en bekende risicofactoren voor IA -breuk te onderzoeken, waarbij patiënten met niet -getroffen IAS worden vergeleken met patiënten met gescheurde IAS. Met behulp van SDH zal het project patiënten classificeren in risicogroepen en patiëntgegevens ruimtelijk analyseren via API's zoals datagouv. Bovendien zal het project zich richten op het ontwikkelen van eerlijke (vondbare, toegankelijke, interoperabele, herbruikbare) methodologieën om zijn algoritmen en training corpora te delen met de biomedische gemeenschap met behoud van de naleving van de regelgeving.