Pålitelig kunstig intelligens for forbedring av slagutfall (TRUSTroke)

Hjerneslag er en ledende årsak til død og funksjonshemming over hele verden. Den kliniske valideringen av forklarbare og tolkbare løsninger for kunstig intelligens (AI) for å hjelpe til med en rettidig, personlig håndtering av den akutte fasen av hjerneslag, vil ha stor innvirkning siden det i stor grad kan redusere funksjonshemmingen til pasienter. Forutsigelsen av langsiktige utfall er også en avgjørende faktor da den kan bestemme kritiske beslutninger som utskrivningsdestinasjonen for pasienten. Videre har overholdelse av retningslinjebasert sekundær slagforebygging vist seg å redusere tilbakefall av hjerneslag, men for øyeblikket er det bare 40 % av pasientene som følger forebyggende behandlinger 3 måneder etter hjerneslag. Derfor kan pasientenes resultater forbedres med riktige pasientkommunikasjons- og engasjementspakker. AI kan ha en dramatisk innvirkning på hjerneslagpasientreise, forbedre spådommer, resultere i et bedre valg av sekundære slagstrategier, samt bruke evidensbasert informasjon for å fremme bedre overholdelse av behandling og reduksjon av vaskulære risikofaktorer.

Målet med denne multisenter observasjonsprospektive studien er å utvikle og validere AI-baserte verktøy for å forutsi kort- og langsiktige utfall hos iskemiske slagpasienter. Spesifikt har denne studien som mål å demonstrere nøyaktigheten til AI-modeller i å forutsi det funksjonelle resultatet av iskemiske slagpasienter målt ved NIHSS (0-42) og mRS (0-6) skårer ved utskrivning fra sykehus og ved 3, 6 og 12 måneder etter utskrivning. Potensielle iskemiske hjerneslagpasienter fra 3 store europeiske sentre vil bli rekruttert. Trening og testing av lokale AI-modeller vil bli utført ved hjelp av sykehusinnleggelsesdata, samlet inn under standard prosedyrer for slagpasientveier, og poliklinisk overvåket data fra et eksternt hjemmesykepleiesystem (NORA-app) under oppfølgingen etter utskrivning. Disse lokale modellene vil deretter bli integrert i et forent læringssystem, hvor kun en global AI-modell, avledet fra kombinert innsikt fra alle lokale modeller, deles på tvers av deltakende sykehus. De enkelte lokale modellene og de originale dataene deles ikke, noe som sikrer personvern og sikkerhet for data. Nøyaktigheten og ytelsen til prospektivt optimaliserte AI-modeller for å forutsi kliniske utfall over en 12-måneders oppfølgingsperiode vil bli evaluert og sammenlignet med de faktiske resultatene til pasientene.