Kunstig intelligens ved subaraknoidalblødning (AISAH)

Pasienter med aneurysmal subaraknoidal blødning (aSAH), utvikler forsinket cerebral iskemi (DCI) i ca. 30 % av tilfellene. DCI er assosiert med økt dødelighet, vedvarende nevrologisk underskudd samt svekket livskvalitet. Det vil være til fordel for både pasienter og samfunnet å redusere disse nevrologiske skadene. Et klinisk problem er at diagnosen cerebral iskemi hos SAH-pasienter ofte er forsinket på grunn av begrensninger i overvåkingsevner. Ved oppdagelse viser den nevrologiske skaden seg ofte å være irreversibel.

Flere studier har brukt univariat og multivariat logistisk regresjonsanalyse for å identifisere risikofaktorer for utvikling av forsinket cerebral iskemi (DCI) hos pasienter med subaraknoidal blødning. Imidlertid er disse studiene basert på data samlet inn om pasientene (f. alder, kjønn), og presisjonen til disse statistiske modellene har generelt vist seg å være lav. Nylig har maskinlæringsalgoritmer for prediksjon av DCI ved bruk av en kombinasjon av kliniske data og bildedata også blitt evaluert.

Forutsigelse av DCI forhindrer imidlertid ikke DCI, for å forhindre DCI må det utvikles et overvåkingssystem som kan advare leger om overhengende risiko for cerebral iskemi, noe som gjør det mulig å gripe inn og forhindre cerebral iskemi.

Variasjoner i det autonome nervesystemet, som endringer i balansen mellom det sympatiske og det parasympatiske nervesystemet, kan oppdages ved å bruke overvåking av hjertefrekvensvariabilitet (HRV). HRV er rapportert som en prediktor for dårlig utfall etter traumatisk hjerneskade og hjerneslag, inkludert subaraknoidal blødning. HRV-overvåking for påvisning av begynnende cerebral iskemi har imidlertid ikke blitt grundig evaluert. I en studie av pasienter med aSAH samlet vi HRV kontinuerlig i opptil 10 dager etter innleggelse, men bare en liten del av HRV-dataene ble analysert off-line. 15 av 55 pasienter utviklet DCI i den akutte fasen, og off-line analysen av HRV viste at lav/høyfrekvent ratio økte mer hos pasienter som utviklet DCI (Ref). Dette førte til at vi forsøkte å analysere alt innsamlet HRV ved hjelp av maskinlæringsprosesser, og et samarbeid med data-/datavitere ble innledet.

Det overordnede målet med denne studien er å, ved hjelp av dataforsker og maskinlæringsprosesser, analysere innsamlede HRV-data for å evaluere om spesifikke mønstre kan finnes hos pasienter som utvikler DCI i den akutte fasen etter subaraknoidalblødning.