AI-assistert kontinuerlig stratifisering i nevrorehabilitering av slag ved bruk av personlige digitale tvillinger (STRATIF-AI)

Oversikt over forskningen Dette prosjektet er utformet for å vurdere gjennomførbarheten til STRATIF-AI-rehabiliteringsapplikasjonen (appen), sammen med dens tilgjengelighet, nytte og personalisering for pasienter. Formålet med appen er å støtte pasienter i deres rehabilitering etter hjerneslag, men siden den er i et tidlig utviklingsstadium, er hovedmålene for denne studien å teste gjennomførbarheten av å ha en slik app involvert i en pasients rehabilitering og om pasienter finner den nyttig.

Dagens state-of-the-art-stratifieringsteknologi er basert på maskinlæringsalgoritmer (ML), trent på store kohortdata. Dette har to hovedbegrensninger: a) slike ML-modeller kan ikke bruke alle de forskjellige datatypene som genereres om en pasient, b) stratifisering gjøres derfor bare med jevne mellomrom, noe som innebærer utdaterte og suboptimale behandlingsbeslutninger. For å avhjelpe dette ble et nytt konsept og teknologi – kontinuerlig stratifisering, ved bruk av STRATIF-AI-plattformen – utviklet. I kontinuerlig stratifisering lagres alle data som genereres om en pasient kumulativt i et personlig datahvelv, kontrollert av pasienten. Disse personlige dataene oppdaterer kontinuerlig den digitale tvillingplattformen. Den unike potensialen med plattformen kommer fra hybridarkitekturen, som kombinerer mekanistiske, flerskala- og flerorgansmodeller med ML og bioinformatikk.

Denne teknologien gjør det mulig å simulere pasientspesifikke responser på endringer i behandling, og identifisere endringer på intracellulært, organ- og helkroppsnivå, fra sekunder til år for pasienter etter et hjerneslag. Semantisk harmonisering kombineres med federert læring for å sikre omtrening av de ulike undermodellene når nye data blir tilgjengelige i en av kohortdatabasene. Dette prosjektet vil utforske bruken av digitale tvillinger i rehabiliteringsfasen etter hjerneslag og vil bli gjennomført i rehabiliteringstjenesten ved Chapel Allerton Hospital i Leeds. Det er en av seks samtidige studier som involverer åtte sykehus over hele Europa, med mål om å avgrense og validere modellene og demonstrere hvordan digitale tvillinger kan følge pasienter på tvers av forskjellige apper, og dekke alle faser av hjerneslag: fra forebygging til akuttbehandling og rehabilitering. Den skalerbare plattformen for kontinuerlig stratifisering danner grunnlaget for et nytt sammenkoblet og pasientsentrert helsevesen.

Dette prosjektet tar sikte på å evaluere gjennomførbarheten av å bruke en ny app for å utvikle en kontinuerlig stratifiseringsmetode, ved å bruke alle tilgjengelige data for sanntidspasientvurdering ved å konsolidere pasientdata til en utviklende digital tvilling. Det er hypotetisert at bruken av denne teknologien sammenlignet med standard rehabiliteringsbehandling etter hjerneslag vil forbedre pasientengasjement i rehabiliteringsbehandlingen etter hjerneslag og skape muligheter for fremtidig arbeid med bruk av digitale tvillinger i helsevesenet.

Bakgrunn og rasjonale Motivasjon til å delta i et rehabiliteringsprogram og samsvar med rehabiliteringsprogrammet er to store begrensninger for folks rehabilitering etter hjerneslag, og som kan føre til suboptimale resultater. Et relatert og sentralt problem i alle faser av hjerneslagsbehandlingen er at data ligger isolert, pasienter får ikke tilgang til sine data, og stratifisering av behandling skjer bare med jevne mellomrom. Av disse grunnene ble STRATIF-AI-plattformen, som er basert på digitale tvillinger – en digital kopi av en pasient – som muliggjør kontinuerlig stratifisering, innenfor og på tvers av alle faser av hjerneslagsbehandlingen, opprettet. Ulike studier drevet av partnersykehus i konsortiet vil fokusere på tidligere stadier av hjerneslagsbehandlingen, som forebyggende tiltak og akutt overvåking av pasienter. I disse studiene vil data bli samlet inn for å muliggjøre utvikling av kontinuerlige modeller. I denne kliniske studien vil det bli studert hvordan pasienter og medisinsk personale opplever bruken av den nye plattformen i rehabilitering. Dette er en pilotstudie, som vil undersøke prinsippbevis og samle inn innledende data om gjennomførbarhet og akseptabilitet.

Globalt er hjerneslag den fjerde vanligste årsaken til funksjonsnedsettelse for voksne, med 11,9 millioner mennesker som opplevde hjerneslag i 2021, og de siste statistikken viser en økning i forekomsten av hjerneslag fra 1990 til 2021. Den globale økonomiske påvirkningen av hjerneslag er over 890 milliarder amerikanske dollar per år, et tall som forventes å dobles innen 2050. Bortsett fra de økonomiske konsekvensene, er effekten av hjerneslag på livskvaliteten til den berørte personen betydelig, med over to tredjedeler av de som overlever et hjerneslag i Storbritannia som forlater sykehuset med en funksjonsnedsettelse som krever løpende pleiebehov. Mens mer arbeid er nødvendig på feltet forebygging og akutt behandling av hjerneslag, blir viktigheten av rehabiliteringsfasen etter hjerneslag i økende grad anerkjent internasjonalt av Verdens helseorganisasjon, som anerkjenner det "dype, uoppfylte behovet" for rehabilitering globalt, samt nasjonalt i den siste britiske veiledningen for hjerneslagsrehabilitering, som skisserer den avgjørende rollen til rehabiliteringsfasen av hjerneslag, og den økte mengden rehabilitering som kreves for å maksimere rehabiliteringen.

Opprinnelig utviklet for industri, og et relativt nytt konsept i helsevesenet, kan en digital tvilling defineres som en virtuell motpart av et fysisk objekt, system eller prosess som speiler sin virkelige motpart i både funksjon og utseende. Den pågående utviklingen av digital tvilling-teknologi har ført til utviklingen av avanserte modeller som kontinuerlig tilpasser seg over tid for å kunne simulere komplekse atferder. Digitale tvillinger skiller seg fra tradisjonell digital modellering, ettersom de krever toveis datautveksling mellom den fysiske enheten og den digitale enheten, noe som gjør det mulig for den fysiske enheten å motta tilbakemeldinger fra sin digitale motpart, noe som muliggjør kontinuerlig stratifisering av data. Gitt bevegelsen mot en personlig tilnærming til behandling i helsevesenet, blir potensialet for digitale tvillinger i økende grad utforsket. Imidlertid krever kompleksiteten i menneskelige følelser og atferd, sammen med variasjonen i faktorer som individuell preferanse, motivasjon, tretthet og generell helse, sofistikerte digitale tvillinger for bruk i helsevesenet.

Et lovende område for bruken av digitale tvillinger er innen hjerneslagsrehabilitering, hvor de kan brukes til å støtte rehabiliteringsperioden som ofte kreves av de som overlever hjerneslag, ved å modellere individuelle rehabiliteringsmønstre og optimalisere terapier. Ved å integrere sanntidspasientdata, som bevegelsesmønstre, kommunikasjon og kognitiv evne, kan digitale tvillinger simulere rehabiliteringsutfall for å skreddersy behandlinger tilpasset individuelle pasienter, justere terapi i sanntid, og tilby beslutningsstøtte og motivasjonstilbakemeldinger, noe som potensielt øker pasientengasjementet og forbedrer rehabiliteringen. Konseptet digitale tvillinger har allerede blitt brukt i menneskelig bevegelsesanalyse gjennom kommersielt tilgjengelige plattformer som OpenSim, som er validert for muskelskjelettmodellering, noe som demonstrerer gjennomførbarheten av digitale tvillinger i helsevesenet.

STRATIF-AI-prosjektet er et Horizon Europe-finansiert prosjekt som tar sikte på å kanalisere digitale tvillinger for bruk i rehabilitering etter hjerneslag. Tradisjonell pasientstratifisering i rehabilitering er avhengig av periodisk målsattelse utført av det tverrfaglige teamet, som enes om rehabiliteringsmål hver andre til tredje uke med pasienter og deres familiemedlemmer eller omsorgspersoner for å styre aktivitetene i rehabiliteringsprogrammet. Denne tilnærmingen kan imidlertid gå glipp av verdifulle data mellom målsattelseseperiodene, noe som betyr at de siste målene ikke nøyaktig og fullstendig gjenspeiler en pasients nåværende status. Dette tapet av data mellom målsattelseseperiodene kan være begrensende i dagens helsevesenpraksis, fordi behandlinger forblir uendret til neste formelle interaksjon mellom pasienten og helsepersonell, selv om en pasients tilstand har utviklet seg. Av denne grunn foreslår STRATIF-AI å utvikle en kontinuerlig stratifiseringsmetode for å utnytte alle tilgjengelige data for sanntidspasientvurdering ved å konsolidere disse dataene til en utviklende digital tvilling, som deretter vil tilby sanntidstilbakemeldinger til pasienten og helseteamet.

Data som tradisjonelt brukes i stratifisering i hjerneslagsbehandlingen, som pasientens diagnose, risikofaktorer for hjerneslag, tidligere medisinsk historie, basisobservasjoner, og skanning- og blodprøveresultater, vil bli supplert med mellomliggende informasjon fra bærbar teknologi (standard smartklokke), pasientdagbøker, og det formaliserte rehabiliteringsvurderingsverktøyet Functional Independence Measure og Functional Assessment Measure (FIM+FAM). Disse dataene vil bli brukt til å oppdatere en individuell digital tvilling for pasienten ved bruk av hybridteknologi, som integrerer mekanistiske modeller for hovedfunksjonene i menneskekroppen med maskinlæring og bioinformatikkmodeller.

STRATIF-AI-prosjektet vil implementere kontinuerlig stratifisering over rehabiliteringsfasen av hjerneslag for kvalifiserte pasienter på tvers av Leeds Teaching Hospitals NHS Trust, og resultatene av prosjektet vil komplementere pågående studier om bruken av plattformen under forebyggings- og akuttbehandlingsfasene av hjerneslag utført i andre sentre.