Optimalisering av akutt iskemisk slagdiagnostikk ved hjelp av kunstig intelligens (AI-STROKE)

Trombektomi ved akutt iskemisk hjerneslag er svært effektivt og kostnadseffektivt. Per i dag har for få pasienter tilgang til trombektomi. Det er et presserende behov for å forbedre diagnostikken slik at alle kvalifiserte slagpasienter får oppdaget sin okklusjon raskt nok og tilbys trombektomi når det er indisert. Maskinlæringsbaserte bildebehandlingsteknikker har nylig vist seg å gi forbedret diagnostikk med automatiserte metoder for påvisning av karokklusjon og iskemiske lesjoner ved bruk av kunstig intelligens. Vi vil utføre en prospektiv intervensjonsstudie hos akutte iskemiske slagpasienter med sikte på å organisere og forenkle behandlingsveien gjennom en pragmatisk tilnærming til akutt slagavbildning drevet av banebrytende fremskritt innen bildebehandling og kunstig intelligens. Ved å bruke multifase CT-angiografi og programvare ved to primære slagsentre vil nytten av automatisk evaluering av bilder sammenlignes med standardbehandling. Alle bilder vil parallelt bli vurdert av nevroradiologer ved det omfattende hjerneslagsenteret.

Hovedmålet er å organisere og forenkle behandlingsveien til akutt slagavbildning drevet av banebrytende fremskritt innen bildebehandling og kunstig intelligens.

De sekundære målene er å vurdere: 1) den diagnostiske nøyaktigheten av mCTA ved påvisning av karokklusjon ved iskemisk slag ved bruk av AI-baserte analyseverktøy sammenlignet med gullstandarden for MR, 2) prosentandelen av kvalifiserte pasienter som mottar EVT ved bruk av AI-basert analyse sammenlignet til standardbehandlingsdiagnostikk 3) tid fra debut til rekanalisering, og 4) funksjonelt utfall hos pasienter med akutt iskemisk hjerneslag behandlet med EVT som hadde sin første radiologiske diagnose ved bruk av AI-baserte bildeanalyseverktøy sammenlignet med slagpasienter diagnostisert ved standardbehandling.

Hypoteser: Nye AI-baserte bildeanalyseverktøy brukt på allerede tilgjengelige standard CT-baserte bildeteknikker kan a) forbedre akutt slagdiagnostikk og b) øke antall pasienter som behandles med EVT.

Hovedmålet med prosjektet er å organisere og forenkle pleieveien gjennom en pragmatisk tilnærming til akutt slagavbildning drevet av banebrytende fremskritt innen bildebehandling og kunstig intelligens.

Sekundære mål:

1. For å vurdere om bruk av AI-baserte bildeanalyseverktøy i radiologisk diagnostikk i primære slagsentre kan redusere tiden fra debut til rekanalisering hos akutte iskemiske slagpasienter behandlet med EVT.
2. For å vurdere den diagnostiske nøyaktigheten av mCTA ved påvisning av iskemisk slag i middels og store kar okklusjon ved bruk av AI-baserte analyseverktøy sammenlignet med vurdering av gullstandarden for MR (DWI og MR angiografi) vurdert av nevroradiologer.
3. For å vurdere den diagnostiske nøyaktigheten av mCTA ved påvisning av middels og stor karokklusjon iskemisk slag ved bruk av AI-baserte analyseverktøy sammenlignet med vurdering ved standardbehandling.
4. For å vurdere om bruk av tilgjengelige AI-baserte analyseverktøy brukt på mCTA kan øke antallet slagpasienter som er kvalifisert for og tilbudt EVT.
5. For å sammenligne funksjonelt utfall og pasientrelaterte utfallsmål 3 måneder etter EVT hos slagpasienter som hadde sin første radiologiske diagnose ved bruk av AI-baserte bildeanalyseverktøy med slagpasienter diagnostisert av standardbehandling.

Endepunkter:

Primære endepunkter:

- Tid fra oppstart av CT-skanning av pasienter ved lokalsykehuset til radiologisk diagnose hos akutte slagpasienter med LVO og MeVO i perioder med bruk av AI-programvare sammenlignet med perioder med standardbehandling.

Sekundære endepunkter:

• Tid fra start av CT-skanning av pasienter ved lokalsykehuset til start av trombektomi hos pasienter identifisert med LVO og MeVO i perioder med bruk av AI-programvare sammenlignet med perioder med standardbehandling.
• Tid fra symptomdebut til start av trombektomi hos pasienter identifisert med LVO og MeVO i perioder med bruk av AI-programvare sammenlignet med andel pasienter identifisert med LVO og MeVO diagnostisert av standardbehandling.
• Andel pasienter identifisert med LVO og MeVO i perioder med bruk av AI-programvare sammenlignet med andel pasienter identifisert med LVO og MeVO diagnostisert av standardbehandling.
• Andel pasienter identifisert med LVO og MeVO i perioder med bruk av AI-programvare sammenlignet med vurdering fra nevroradiologer.
• Andel pasienter behandlet med trombektomi i MeVO i perioder med bruk av AI-programvare sammenlignet med andel pasienter identifisert med LVO og MeVO diagnostisert av standardbehandling.
• Funksjonelt utfall 3 måneder etter EVT hos slagpasienter som hadde sin første radiologiske diagnose ved bruk av AI-baserte bildeanalyseverktøy sammenlignet med slagpasienter diagnostisert av standardbehandling.
• Pasientrelatert utfall måler 3 måneder etter EVT hos slagpasienter som hadde sin første radiologiske diagnose ved bruk av AI-baserte bildeanalyseverktøy sammenlignet med slagpasienter diagnostisert av standardbehandling.

Denne studien er en del av en prospektiv observasjonsstudie av trombektomitjenesten med samarbeid mellom slagenheter og radiologiske avdelinger ved primære og omfattende hjerneslagsenter - Oslo Acute Revascularization Stroke Study (OSCAR) (REK 2015/1844, EudraCT nummer 2018-004691- 36). Data er allerede samlet inn siden januar 2017 hos pasienter behandlet med EVT ved Oslo universitetssykehus og av nærmere 1100 pasienter behandlet med EVT er inkludert. Databasen inneholder detaljert informasjon om logistikk, transport, kliniske, radiologiske data, og behandling inkludert rehabilitering fra baseline til 3-måneders oppfølging registreres prospektivt.

Studiet vil starte med en 12-måneders periode med registrering før implementering av AI-programvaren. Data fra denne perioden og fra OSCAR-studien vil bli sammenlignet med dataene som er samlet inn etter implementeringen av AI-programvaren. Vi starter studiet ved Drammen Sykehus og gjennomfører det fortløpende ved de andre sykehusene i Sykehuset Vestre Viken og Sykehuset Østfold. Data vil bli registrert i minst 18 måneder etter implementeringen av AI-programvaren. Lengden på inkluderingsfasen vil bli justert i henhold til inkluderingsgraden.