Klinisk resultatmodellering av rask dynamikk ved akutt hjerneslag

Hjerneslag - fortsatt den nest vanligste dødsårsaken og hovedårsaken til nevrologisk funksjonshemming hos voksne i den vestlige verden - er preget av raske endringer over tid og markert variasjon i utfall. En pasient kan forbedres eller forverres i løpet av minutter, og den resulterende funksjonshemmingen kan variere fra en åpenbar fullstendig lammelse til subtil, oppgaveavhengig inkoordinering av et enkelt lem.

I motsetning til mange andre nevrologiske lidelser, kan hjerneslag være utsøkt følsomme for rask og intelligent skreddersydd behandling, noe som belønner innovasjon i levering av omsorg med reell, konkret innvirkning på pasientresultater. Optimal behandling krever derfor både detaljert karakterisering av pasientens kliniske bilde og endringsmønster over tid.

Uten tvil det viktigste aspektet av pasientens kliniske bilde - kroppsbevegelse - forblir bemerkelsesverdig dårlig dokumentert: kvantifisert kun subjektivt og med sjeldne intervaller i pasientens kliniske evolusjon. Kombinasjonen av kunstig intelligens med høyytelses databehandling muliggjør nå automatisk uttrekking av en pasients skjelettramme løst ned til hovedleddene, som for en stick-man, som kan leveres enkelt, trygt og rimelig, uten bruk av tungvint kroppssliten markører. Sentralt i denne teknologien er pasientens personvern, med skjelettrammen ekstrahert i sanntid, noe som sikrer at ingen videodata, som pasienter kan identifiseres fra, lagres eller overføres av enheten.

Vårt bevegelseskategoriseringssystem - MoCat - vil bli brukt til å studere den raske dynamikken til akutt hjerneslag, sømløst innebygd i den kliniske strømmen. Ved å kvantifisere endringen i motorisk underskudd over tid skal vi undersøke forholdet mellom disse banene med kliniske utfall og utvikle prediktive modeller som kan støtte klinisk ledelse og optimalisere tjenesteleveransen.