AI-drevet prediksjon og behandling av hjertestans

Plutselig hjertestans (SCA) forblir en stor dødsårsak i USA. Til tross for betydelige anstrengelser for å forbedre gjenopplivingsresultater, er overlevelsen fortsatt dårlig. Dessuten er SCA ofte det første tegnet på underliggende hjertesykdom, hvoretter overlevende vanligvis lider av sekundær kronisk kardiovaskulær og nevrologisk sykdom på grunn av den primære skaden. Gjenoppliving fra SCA settes i gang hos pasienter som lider av livstruende arytmier, vanligvis ventrikkeltakykardi/fibrillering (VT/VF) eller pulsløs elektrisk aktivitet (PEA), som hvis vellykket, følges av en tilbakevending av spontan sirkulasjon (ROSC). Dette følges imidlertid vanligvis av gjentatt nytt hjertestans på grunn av enten VT/VF, PEA eller asystoli. Viktig er det at mekanismene for VT/VF og PEA varierer betydelig, og protokolliserte, ikke-retningsbestemte behandlinger kan forverre resultatene. For tiden settes behandlinger vanligvis i gang etter at nytt hjertestans har inntruffet og uten hensyn til en individuell pasients unike personlige eller hjertestanskarakteristikker, faktorer som er kjente prediktorer for hjertestansresultater. Nylige studier har vist at en raskere og mer målrettet behandlingsrespons (dvs. kortere tid til behandling med nytt hjertestans type-spesifikk behandling) for hjertestans kan betydelig forbedre overlevelse og nedstrøms kroniske følgetilstander etter SCA. Derfor kan evnen til å forutsi hjertestans eller nytt hjertestans forekomst og årsak (dvs. VT/VF og PEA) veilede tidlig personlig tilpasset terapi og til slutt forbedre gjenopplivingsresultater, som er det langsiktige translasjonelle målet med dette arbeidet. I tillegg kan tidlig intervensjon være avgjørende i landlige samfunn, hvor transporttider til endelig sykehusbehandling er lange, og ressurser er begrenset.

I pågående arbeid har forskerne nylig observert i akuttmedisinske tjenester (EMS) pasienter at å legge til kliniske parametere (f.eks. alder, primær hjertestanstype) til funksjoner avledet fra EKG T-bølgen i en maskinlæringsmodell (ML) forbedrer prediksjonsnøyaktigheten for VT/VF og PEA (>90%). Forskerne foreslår en gjennomførbarhetsstudie av ML-veiledet prediksjon av nytt hjertestans. Den overordnede hypotesen er at en EKG-biomarkør, kombinert med kliniske funksjoner, kan forutsi nytt hjertestans og dets årsak (VT/VF eller PEA), som vil betydelig forbedre tid til behandling og hjertestans akutte og kroniske resultater. Forskerne antar videre at slik teknologi lett kan tas i bruk og implementeres med hell av akuttpersonell. Forskerne planlegger to sammenknyttede kliniske studier, en observasjonsstudie i simulert hjertestans, og en andre observasjonsstudie i EMS-pasienter. Følgende spesifikke mål vil teste disse hypotesene.

Mål 1. Bestem sluttbrukerprestasjon og tilfredshet med en fullstendig automatisert ML-veiledet nytt hjertestans prediksjonsenhet ved bruk av simulert hjertestans scenarier. Akuttpersonell, i simulert sanntids gjenopplivingsscenarier ved bruk av ekte nytt hjertestans EKG-opptak, vil bli studert for å identifisere barrierer og fasilitatorer for teknologiimplementering og adopsjon, samt tilbyder tilfredshet og den opplevde verdien av intervensjonen. Dette vil bli oppnådd ved å bestemme tilbyderprestasjonsmål (f.eks. initiere ML-veiledet terapier) og ved bruk av kvalitative verktøy for å vurdere sluttbrukerengasjement, tillit og opplevd nytte. Disse studiene vil gi grunnleggende data for implementering og skalerbarhet av teknologien for både en klinisk studie og veiledning for fremtidig FDA og regulatorisk godkjenning.

Mål 2. Test nøyaktigheten til en flerklasse ML-modell for sanntids prediksjon av nytt hjertestans forekomst og dets type (VT/VF vs. PEA) og innvirkning på tid til behandling, i en observasjonsstudie av hjertestanspasienter. Ved å utnytte et pågående samarbeid med Cleveland og lokalsamfunns EMS, vil forskerne inkludere EMS hjertestanspasienter og observere for forekomsten av nytt hjertestans i en bevis-for-konsept observasjonsvalideringsstudie. Nøyaktigheten til den fullstendig automatiserte ML-modellen for å forutsi nytt hjertestans og dets type vil bli bestemt, men behandlingsveiledning vil ikke bli testet på dette tidspunktet. Tilbydere vil være blindet for ML-utdata, og ML vil ikke styre behandling. Offline vil prediksjonsnøyaktighet og estimert tid til ML-veiledet behandlingsbeslutning bli sammenlignet med faktisk nytt hjertestans type og behandlingstid. Disse resultatene vil gi foreløpige sikkerhets- og nøyaktighetsresultater, prøvestørrelsesestimater, og rekrutterings- og informert samtykkeprosesser for en fremtidig randomisert kontrollert klinisk studie for å teste ML-veiledet nytt hjertestans behandlinger.