AiCR: Kunstig intelligens ved hjertestans (AiCR)

Den totale forekomsten av hjertestans i Europa er anslått til 350 000 til 700 000 tilfeller per år. Overlevelsesraten er estimert til 10,7 % for alle rytmeforstyrrelser til sammen.

Det finnes flere eksempler på AI-anvendelse i det medisinske feltet. Ting et al har utviklet et dataverktøy som er i stand til å diagnostisere tilstedeværelsen av diabetisk retinopati med utmerket kraft. I gjenopplivning foreslo Celi et al et verktøy som er i stand til å forutsi behovet for krystalloid vaskulær fylling under en systemisk inflammatorisk tilstand. I Nature i 2018 demonstrerte Komorowski effekten av AI i hemodynamisk behandling av sepsis. I en studie av nyreresponsen på væskeutfordring, Zhang et al. demonstrere effektiviteten til læringsmaskinen.

Mål: Bestemmelse av en algoritme som er i stand til å forutsi dødeligheten til pasienter innlagt på intensivavdelinger (ICU) for ACR fra sykehusinnleggelsesrapporter (CRH). Også bruk av algoritmen for å forutsi risikoen for gjentakelse av arrestasjonen, varigheten av mekanisk ventilasjon, utseendet av sepsis, utvikling av organsvikt, prediksjon av CPC (Cerebral Performance Category), tid for å oppnå katekolaminabstinens, utseendet av akutt nyresvikt med eller uten behov for ekstrarenal rensing (EER) og varighet under EER, gjennomsnittlig liggetid.

Dette prosjektet er en del av et større, landsomfattende prosjekt med større kraft, og inkluderer alle data som genereres under innleggelse på intensiv.

Metode: et estimert totalt antall pasienter inkludert i denne studien til å være mellom 300 og 500. Befolkningen vil komme fra intensivavdelingene i Nice, Antibes, Cannes, Grasse.

Inkludering vil være retrospektiv, på CRH, CR av CT-avbildning (cerebral og thoraco-abdomino-bekken), MR, EEG og daglige oppfølgingsord, fra 2014 til slutten av 2020.

Etter anonymisering, anvendelse av semantisering ved bruk av naturlige språkbehandlingsmetoder (NLP). Dataene som skal trekkes ut legges inn i et dokument skrevet av intensivleger. Disse dataene vil da bli lagret i en database. For å oppfylle hovedmålet vil vi utvikle en datamaskinalgoritme som er i stand til å forutsi dødelighet i studiepopulasjonen. Denne algoritmen, basert på en stor database, kan utformes ved hjelp av maskinlæring eller til og med dyplæringsteknikker avhengig av mengden data som skal behandles.