AI-geleide Voorspelling en Behandeling van Hartstilstand

Plotselinge hartstilstand (SCA) blijft een belangrijke oorzaak van sterfte in de Verenigde Staten. Ondanks aanzienlijke inspanningen om reanimatieresultaten te verbeteren, blijft de overleving slecht. Bovendien is SCA vaak de eerste manifestatie van onderliggende hartziekte, waarna overlevenden doorgaans secundaire chronische cardiovasculaire en neurologische aandoeningen krijgen als gevolg van het primaire letsel. Reanimatie bij SCA wordt gestart bij patiënten met levensbedreigende ritmestoornissen, meestal ventriculaire tachycardie/fibrillatie (VT/VF) of pulseloze elektrische activiteit (PEA), wat indien succesvol wordt gevolgd door een terugkeer van spontane circulatie (ROSC). Dit wordt echter vaak gevolgd door herhaalde herstilstand door VT/VF, PEA of asystolie. Belangrijk is dat de mechanismen van VT/VF en PEA aanzienlijk verschillen, en gestandaardiseerde, niet-gerichte behandelingen kunnen de resultaten verslechteren. Momenteel worden behandelingen doorgaans gestart nadat herstilstand optreedt en zonder rekening te houden met de unieke persoonlijke of stilstandskenmerken van een individuele patiënt, factoren waarvan bekend is dat ze voorspellers zijn van hartstilstandsresultaten. Recente studies hebben aangetoond dat een snellere en meer gerichte behandeling (d.w.z. kortere tijd tot behandeling met herstilstaandtype-specifieke behandeling) voor hartstilstand de overleving en chronische gevolgen na SCA aanzienlijk kan verbeteren. Daarom zou het voorspellen van hartstilstand of herstilstand en de oorzaak (d.w.z. VT/VF en PEA) vroege gepersonaliseerde therapie kunnen sturen en uiteindelijk reanimatieresultaten verbeteren, wat het langetermijntranslationele doel van deze inspanning is. Bovendien zou vroege interventie cruciaal kunnen zijn in plattelandsgemeenschappen, waar transporttijden naar definitieve ziekenhuiszorg lang zijn en middelen beperkt zijn.

In lopend werk hebben de onderzoekers onlangs bij ambulancepatiënten waargenomen dat het toevoegen van klinische parameters (bijv. leeftijd, primair stilstandstype) aan kenmerken afgeleid van de ECG T-golf in een machine learning (ML)-model de voorspellingsnauwkeurigheid van VT/VF en PEA (>90%) verbetert. De onderzoekers stellen een haalbaarheidsstudie voor van ML-gestuurde voorspelling van herstilstand. De algemene hypothese is dat een ECG-biomarker, gecombineerd met klinische kenmerken, herstilstand en de oorzaak (VT/VF of PEA) kan voorspellen, wat de tijd tot behandeling en acute en chronische hartstilstandsresultaten aanzienlijk zal verbeteren. De onderzoekers veronderstellen verder dat dergelijke technologie gemakkelijk kan worden overgenomen en succesvol kan worden geïmplementeerd door hulpverleners. De onderzoekers plannen twee onderling verbonden klinische onderzoeken, één een observationele studie bij gesimuleerde hartstilstand, en een tweede observationele studie bij ambulancepatiënten. De volgende specifieke doelstellingen zullen deze hypothesen testen.

Doelstelling 1. Bepaal eindgebruikersprestaties en -tevredenheid met een volledig geautomatiseerd ML-gestuurd herstilstaandvoorspellingsapparaat met behulp van gesimuleerde hartstilstandscenario's. Hulpverleners worden bestudeerd in gesimuleerde realtime-reanimatiescenario's met echte herstilstaand-ECG-opnames om barrières en facilitators voor technologie-implementatie en -adoptie te identificeren, evenals hulpverlenertevredenheid en de waargenomen waarde van de interventie. Dit zal worden bereikt door hulpverlenersprestatiemetrieken (bijv. starten van ML-gestuurde therapieën) te bepalen en kwalitatieve tools te gebruiken om eindgebruikersbetrokkenheid, vertrouwen en waargenomen nut te beoordelen. Deze studies zullen fundamentele gegevens opleveren voor de implementatie en schaalbaarheid van de technologie voor zowel een klinische studie als richtlijnen voor toekomstige FDA- en regelgevingsgoedkeuring.

Doelstelling 2. Test de nauwkeurigheid van een multiclass-ML-model voor realtime-voorspelling van herstilstand en het type (VT/VF vs. PEA) en de impact op de tijd tot behandeling, in een observationele klinische studie bij hartstilstandpatiënten. Gebruikmakend van een lopende samenwerking met Cleveland en gemeenschapsambulancediensten, zullen de onderzoekers ambulancehartstilstandpatiënten inschrijven en observeren op het optreden van herstilstand in een proof-of-concept observationele validatiestudie. De nauwkeurigheid van het volledig geautomatiseerde ML-model om herstilstand en het type te voorspellen, zal worden bepaald, maar behandelingsrichtlijnen worden op dit moment niet getest. Hulpverleners worden geblindeerd voor de ML-uitvoer en ML zal de behandeling niet sturen. Offline worden voorspellingsnauwkeurigheid en geschatte tijd tot ML-gestuurde behandelingsbeslissing vergeleken met het werkelijke herstilstaandtype en tijdstip van behandeling. Deze resultaten zullen voorlopige veiligheids- en nauwkeurigheidsresultaten, steekproefomvangschattingen, en wervings- en geïnformeerde toestemmingsprocessen opleveren voor een toekomstige gerandomiseerde gecontroleerde klinische studie om ML-gestuurde herstilstaandbehandelingen te testen.