Risikoanalyse av intrakraniell aneurismebrudd gjennom sosiale determinanter for helse (ARAMISS)

Intrakranielle aneurismer (IA), den vanligste intrakranielle arterielle misdannelsen, påvirker omtrent 3% av den globale befolkningen. De er preget av en utvidelse av den vaskulære veggen i det intrakranielle området, typisk ved en bifurkasjon. Den mest fryktede komplikasjonen av IA er brudd, som er assosiert med høy sykelighet og dødelighet. Cirka 30% av pasientene har død eller alvorlig funksjonshemming, og selv blant de uten synlige følger, lider opp til 50% av usynlige funksjonshemninger som kognitive problemer. Dette forklarer den betydelige økonomiske belastningen av ødelagte IAS, estimert til cirka 168 millioner pund årlig i Storbritannia.

En måte å redusere denne sykeligheten og samfunnsbyrden er å identifisere pasienter med høy risiko for brudd for å bestemme de som mest sannsynlig vil oppleve sykdomsprogresjon. Ulike initiativer, for eksempel valg, faser og UCAS -score, er utviklet for å vurdere bruddrisiko i rutinemessig klinisk praksis. Imidlertid er disse score i stor grad avhengige av velkjente modifiserbare og ikke-modifiserbare risikofaktorer, som etnisitet, hypertensjon, kjønn, alder, røyking og historie med subarachnoid blødning. Til tross for deres nytte, er de utilstrekkelige for pålitelig stratifiserende bruddrisiko, og undervurderer den med omtrent 30%, noe som begrenser deres innvirkning i daglig praksis.

Nyere forskning har identifisert nye risiko- og beskyttelsesfaktorer, som søvnapnésyndrom, lipidkontroll og bruk av antidiabetisk, lipidsenkende eller antihypertensive behandlinger. Derfor er det nødvendig å gå tilbake til IA -bruddrisiko ved å vurdere disse faktorene i forhold til pasientenes livsmiljøer.

Sosiale determinanter for helse (SDOH) spiller en kritisk rolle i denne sammenhengen. Definert som livsforholdene som påvirker individuelle og befolkningshelse, inkluderer SDOH brede faktorer som alder, etnisitet og kjønn, samt avhengighetsatferd, inntektsnivå, miljøeksponering og sosial status. De anslås å bidra til over 80% av befolkningens helseutfall. Ved vaskulære sykdommer er SDOH -som lave utdanningsnivåer, begrensede inntekter, sosial isolasjon og lav fysisk aktivitet -kjent for å påvirke alvorlighetsgraden av sykdommen utover tradisjonelle risikofaktorer. WHO anslår at vaskulære sykdommer er den ledende globale årsaken til dødelighet, med 17,7 millioner dødsfall årlig, hvorav halvparten kan forebygges. Å forstå og adressere SDOH er derfor avgjørende for folkehelseforebyggende innsats.

Innledende studier på virkningen av SDOH på IA -brudd er begrenset, og fokuserer ofte på individuelle determinanter. En mer omfattende tilnærming til SDH er nødvendig, spesielt gitt mangelen på konsensusretningslinjer for IA -styring. Gjeldende terapeutiske alternativer, mens de er avanserte, har fortsatt perioperativ sykelighet. Multivariabel modellering og vektede sammensatte score kan bidra til å adressere kompleksiteten i kliniske og miljømessige faktorer.

SDH -data blir rutinemessig samlet inn i medisinske poster og i økende grad digitalisert gjennom sykehusinformasjonssystemer. Helsedatavarehus (HDWS), for eksempel den ved Nantes University Hospital, integrerer strukturerte og ustrukturerte data fra millioner av pasienter, noe som muliggjør gjenbruk til forskningsformål. Fremkomsten av kunstig intelligens (AI) har gjort det mulig å trekke ut og analysere disse dataene, og avslører innsikt fra tidligere utilgjengelig informasjon.

Natural Language Processing (NLP), en gren av AI, muliggjør automatisert utvinning av informasjon fra tekstlige medisinske poster, og låser opp potensialet til ustrukturerte data innen HDW -er. Avanserte modeller, som Bert, Chatgpt, Llama og Mistral, kan behandle og analysere store mengder tekst. Imidlertid er anvendelsen av NLP på ikke-engelske språk begrenset av mangel på kommenterte selskaper, personvernhensyn og forskrifter om data suverenitet.

Aramiss -prosjektet tar sikte på å undersøke samspillet mellom SDH og kjente risikofaktorer for IA -brudd, og sammenligne pasienter med uforstyrret IAS med de med ødelagte IAS. Ved å bruke SDH vil prosjektet klassifisere pasienter i risikogrupper og romlig analysere pasientdata gjennom APIer som Datagouv. I tillegg vil prosjektet fokusere på å utvikle rettferdige (funnet, tilgjengelige, interoperable, gjenbrukbare) metodologier for å dele sine algoritmer og opplæringskorpora med det biomedisinske samfunnet og samtidig opprettholde forskriftsoverholdelse.