UTVIKLING AV EN KUNSTIG INTELLIGENS-ALGORITME FOR Å FORutsi HYPOTENSJONSRISIKO ETTER INDUKSJON I KEISERsnitt MED SPINALANESTESI

Begrunnelse: Keisersnitt, når det er riktig indikert, er en fødselsmetode som bevarer helsen til både mor og baby. Antall fødsler ved keisersnitt har økt over hele verden i årevis. Mellom 2010 og 2018 ble 21,1 % av globalt sporede fødsler utført ved keisersnitt. I følge Verdens helseorganisasjon (WHO) er det forventet at denne frekvensen vil øke og nå 29 % innen år 2030.

Anestesi for keisersnitt er fundamentalt påvirket av både fysiologiske og patologiske forandringer indusert av graviditet i mors kropp. Endringer som skjer under graviditet og fødsel, og de resulterende forskjellene, kan by på utfordringer for anestesileger.

I utviklede land har 78 % av elektive keisersnitt blitt utført under spinalbedøvelse, noe som gjør det til den mest brukte teknikken av anestesileger. Spinal anestesi induserer iatrogen sympatisk blokade, reduserer systemisk vaskulær motstand sammen med arteriell og venøs vasodilatasjon, noe som fører til hypotensjon. Forekomsten av hypotensjon etter spinal anestesi hos gravide kvinner varierer fra 7,4 % til 74 %, som rapportert av Klöhr et al. Hyppigheten av hypotensjon er høyere hos gravide kvinner på grunn av faktorer som liggende hypotensjonssyndrom forårsaket av føtal inferior vena cava kompresjon og utvikling av kollateral venøs plexus i epiduralområdet, noe som fører til oppstigning av intratekal lokalbedøvelse i cerebrospinalvæsken. Utdyping av hypotensjon og bradykardi hos pasienten kan resultere i hjertekollaps, føtal hypoksi og acidose, noe som utgjør en uforutsigbar risiko for både mors og fosterhelse. Rollen til anestesileger er å forhindre eller håndtere denne risikofylte tilstanden effektivt.

Nylige fremskritt innen dyp læring og kunstig intelligens (AI) har funnet sin plass innen anestesi. AI-applikasjoner i anestesi kan kategoriseres i fem hovedområder: 1) Overvåking av dybden av anestesi (f.eks. teknikker som analyserer EEG-data under anestesi), 2) Kontroll av anestesitilførsel basert på anestesidybde, 3) Hendelsesprediksjon, 4) Ultralydveiledning, og 5) Smertebehandling.

Blant disse applikasjonene er hendelsesforutsigelse spesielt kritisk for anestesileger. Å vite om en hendelse før den inntreffer bidrar til å forebygge eller muliggjøre mer nøyaktig håndtering. Det har vært 53 studier i litteraturen som bruker AI for hendelsesforutsigelse, inkludert studier som utvikler algoritmer for å forutsi hypotensjon under kirurgi og validerer disse algoritmene. Det som skiller dette prosjektet fra eksisterende studier er:

Disse studiene er ikke spesielt utviklet for å forutsi spinal anestesi-indusert hypotensjon under keisersnitt.

Disse studiene har for det meste brukt bølgeanalyse (ikke-invasiv eller invasiv) for å forutsi hypotensjon. I dette prosjektet vil ikke denne tilnærmingen bli benyttet. Preoperative vurderinger vil bli utført, og pasientkarakteristikker vil bli registrert. Derfor vil den resulterende algoritmen ikke være en dynamisk/sanntidsdatainndataalgoritme.

Det enkle å registrere preoperative karakteristikker, fraværet av behov for invasiv arteriell overvåking og potensialet for anvendelighet gjør utviklingen av algoritmen mer praktisk. Den utviklede algoritmen vil være praktisk å bruke.

Algoritmen som skal trenes vil, i likhet med studien til Hatib et al., rapportere risikoen for hypotensjon i prosent.

AI og dets undergruppe, maskinlæringsalgoritmer, påvirker alle aspekter av livene våre. Innen det medisinske feltet har det blitt en metode, spesielt for å redusere menneskelige feil i klinisk beslutningstaking.

I denne studien vil demografisk informasjon, vitale tegn, spesifikke blodparametre og visse egenskaper knyttet til administrering av spinalbedøvelse bli systematisk registrert for gravide kvinner som gjennomgår spinalanestesi. Blodparametre inkluderer fullstendig blodtelling, serumelektrolytter, leverenzymnivåer (ALT/AST) og Syndecan-1. Alle blodparametere er oppført i den originale studieprotokollen. Syndecan-1 er et molekyl som kastes inn i serumet med nedbrytning eller skade av det vaskulære endoteliale glykokalyx-laget. Spesielt stiger den under volumbelastning, sepsis eller inflammatoriske prosesser. Serum Syndecan-1-nivåer øker ettersom ukene av svangerskapet utvikler seg, med den mest signifikante økningen som skjer mellom 20. og 30. uke. Hvis svangerskapsforgiftning utvikler seg i de senere stadier av svangerskapet, synker Syndecan-1-nivåene.

Syndecan-1-nivåer i hypertensive svangerskap endres ikke signifikant sammenlignet med normale svangerskap, men forskjeller er observert i Syndecan-1-nivåer ved preeklampsi. Derfor, som nevnt i metodedelen, vil hypertensive og preeklamtiske gravide ikke inkluderes i studien.

I en studie som undersøkte preoperative og postoperative nivåer av Syndecan-1 hos pasienter med keisersnitt som gjennomgikk spinalbedøvelse, ble det funnet en signifikant forskjell. Studien konkluderte med at preoperativ profylaktisk væskebolusadministrasjon påvirket nedbrytning av endotelglykokalyx. Basert på denne studien har Syndecan-1 det teoretiske potensialet til å være en ny markør for å forutsi hypotensjon. Selv om Syndecan-1 er studert hos gravide kvinner tidligere, er det ingen studie i litteraturen som undersøker sammenhengen mellom preoperative Syndecan-1-nivåer og hypotensjon under spinalbedøvelse hos pasienter med keisersnitt. Denne studien vil både undersøke forholdet mellom Syndecan-1 og hypotensjon og evaluere dens plass i den utviklede algoritmen.

Etter registrering av de første dataene for hver pasient, vil utviklingen av hypotensjon bli observert og dokumentert. De innsamlede dataene vil bli analysert for å undersøke sammenhengen mellom forekomst eller ikke-forekomst av hypotensjon etter induksjon. I tillegg vil en kunstig intelligens-algoritme bli utviklet ved hjelp av disse dataene. Hovedmålet er å utvikle algoritmen. I løpet av studien vil det ikke være noen endringer i anestesibehandlingen for de gravide.

I denne sammenhengen har den utviklede algoritmen som mål å tidlig identifisere hypotensjon forårsaket av spinalbedøvelse (forutsi risikoen for hypotensjon før operasjonen starter) og muliggjøre tidlig behandlingsstart.

Metode:

Tidspunkt for prosjektet: Den etiske godkjenningen for prosjektet er gitt av Hacettepe University Non-Interventional Clinical Research Ethics Board. Prosjektet er planlagt gjennomført mellom november 2023 og april 2024.

Metodikk og datainnsamlingsverktøy for prosjektet:

Data fra pasienter som oppfyller inklusjonskriteriene i operasjonsrommet vil bli hentet fra rutinemessige testresultater sendt etter sykehusinnleggelse for keisersnitt, observasjonsskjemaer for preoperativ sykepleier og registreringer av vitale tegn overvåket med anestesi under operasjonen. Etter at pasienten er ført til operasjonsstuen, vil informasjonen i Datainnsamlingsskjemaet fylles ut av anestesilege. Varigheten av hypotensjon etter spinal anestesi begynner umiddelbart etter narkoseadministrasjon hos gravide kvinner, og når sitt laveste nivå innen ca. 10-15 minutter. Det er kjent å gå tilbake til det normale innen 20-30 minutter. Imidlertid kan varigheten av hypotensjon variere avhengig av faktorer som svangerskapsalder, anestesidose, pasientens generelle helsetilstand og andre faktorer. Spesielt hos gravide kvinner med høye anestesidoser eller hypertensjon kan varigheten av hypotensjon være lengre. Derfor må varigheten av hypotensjon evalueres individuelt for hver pasient. I denne studien foretrekkes imidlertid observasjon de første 15 minuttene. Denne preferansen er gjort fordi algoritmen forutsier spinal-indusert hypotensjon basert på preoperative egenskaper. Med den utvidede observasjonsperioden, forekomsten av fødsel, økningen i hjertevolum og initiering av oksytocininfusjon under operasjonen gjør hemodynamikken til en kompleks situasjon påvirket av flere uavhengige faktorer. Datainnsamlingen vil avsluttes etter de første 15 minuttene, og hypotensjon som oppstår etter det 15. minuttet vil ikke bli registrert for studien; observasjonen vil bli avsluttet.

Innsamling av prosjektdata:

Før pasienter tas til operasjonsstuen, vil en tilstrekkelig mengde blod bli tatt fra de rutinemessige blodprøvene før levering tatt fra pasienten for blodparametrene. Bortsett fra Syndecan-1, er de andre parametrene i blodparametrene rutinetester som rutinemessig utføres i Hacettepe University Hospital Biochemistry-laboratorier.

Ved måling av syndekan-1, vil absorbansavlesninger bli utført ved hjelp av SpectraMax-M2 (Molecular Devices, USA) enheten plassert i Institutt for biokjemi ved Hacettepe University. Deretter vil serumsyndekan-1-nivåer beregnes ved å bruke GraphPad Prism-programmet basert på standardgrafen. Anskaffelsen av nødvendige ELISA-sett for syndecan-1-måling vil bli utført gjennom finansiering fra Hacettepe Universitys Scientific Research and Project Office.

Dataanalyse:

Gjennom trinnene i algoritmeutviklingen vil programmeringsspråket Python bli brukt. Utviklingsprosessen til algoritmen for kunstig intelligens vil følge retningslinjene for utvikling og rapportering av prediktive modeller for maskinlæring i biomedisinsk forskning: En flerfaglig visning. Trinnene er som følger:

• Datainnsamling: Data vil bli registrert ved å fylle ut datainnsamlingsskjemaet.
• Databehandling: Etter datainnsamlingen vil dataene bli behandlet, og de deles tilfeldig inn i treningsdata og interne valideringsdata. Dataene vil bli renset for artefakter og feillesninger.
• Merknad: Data vil bli merket for klassifisering av kunstig intelligens, og definisjonen av hypotensjon vil bli kommentert. Studier vil bli utført for å bestemme potensialet for å oppdage hypotensjon med kunstig intelligens.
• Funksjonsvalg: Funksjoner som forutsier kommenterte hendelser i størst grad vil bli valgt. En eller flere funksjonsvalgalgoritmer vil bli brukt for denne prosessen, og funksjoner vil bli valgt basert på suksessen oppnådd i modellene.
• Modelloppretting: De mest relevante funksjonene i dataene vil bli valgt, og en modell vil bli utviklet. Grunnleggende klassifiseringsalgoritmer som K-Nearest Neighbors, Support Vector Machines (SVM), Decision Trees, Random Forest, som vanligvis brukes for klassifiseringsprosesser i litteraturen, vil bli brukt for å oppnå grunnleggende ytelsesforhold. Deretter vil en dyplæringsmetode utvikles, og ytelsesforskjellen mellom den foreslåtte metoden og de grunnleggende metodene vil bli undersøkt.

Kryssvalidering: Ytelsen til den første versjonen av modellen vil gjentatte ganger bli gjentatt kryssvalidering med undergrupper av data som modellen aldri har sett før. Dette vil bestemme modellens ytelse ved å undersøke ytelsesendringer ettersom dataene varierer. Avhengig av datastørrelsen, vil enten 10-gangers kryssvalidering eller 5-gangers kryssvalidering brukes.

Intern validering: Den prediktive ytelsen til algoritmen trent med treningsdataene vil bli vurdert ved hjelp av interne valideringsdata som den aldri har møtt.

I tillegg til algoritmeutviklingsprosessen, hvis variablene som sammenlignes er normalfordelte, statistiske tester som ANOVA; Students t-test og Mann-Whitney U-test vil bli brukt basert på antall sammenlignede grupper og normalfordelingsanalysen av variabler. Pearson Korrelasjonsanalyse og Spearman Korrelasjonsanalyse vil bli brukt til å analysere sammenhengen mellom hypotensjonsverdier og andre kontinuerlige parametere basert på normalfordelingsanalysen av variabler. Dessuten vil forutsigbarheten til systemet bli testet ved hjelp av sensitivitet, spesifisitet, positiv prediktiv verdi (PPV), negativ prediktiv verdi (NPV), oddsratio (OR), risikoforhold (RR), mottakerdriftskarakteristikkkurve og areal under kurven (AUROC), og Pearson korrelasjonskoeffisient (r) tester. Et statistisk signifikansnivå på p<0,05 vil bli akseptert. For statistisk analyse vil programvaren Statistical Packages for the Social Sciences v26.0 (SPSS Inc., Chicago, IL) bli brukt.