Sztuczna inteligencja w krwotoku podpajęczynówkowym (AISAH)

U pacjentów z tętniakowatym krwotokiem podpajęczynówkowym (aSAH) w około 30% przypadków rozwija się opóźnione niedokrwienie mózgu (DCI). DCI wiąże się ze zwiększoną śmiertelnością, utrzymującymi się deficytami neurologicznymi oraz pogorszeniem jakości życia. Zmniejszenie liczby urazów neurologicznych byłoby korzystne zarówno dla pacjentów, jak i dla społeczeństwa. Jednym z problemów klinicznych jest to, że rozpoznanie niedokrwienia mózgu u pacjentów z SAH jest często opóźniane z powodu ograniczeń w możliwości monitorowania. Wykryte uszkodzenie neurologiczne często okazuje się nieodwracalne.

W kilku badaniach wykorzystano jedno- i wieloczynnikową analizę regresji logistycznej w celu zidentyfikowania czynników ryzyka rozwoju opóźnionego niedokrwienia mózgu (DCI) u pacjentów z krwotokiem podpajęczynówkowym. Jednak badania te opierają się na danych zebranych o pacjentach (m.in. wiek, płeć), a precyzja tych modeli statystycznych jest generalnie niska. Niedawno oceniono również algorytmy uczenia maszynowego do przewidywania DCI przy użyciu kombinacji danych klinicznych i obrazowych.

Jednak przewidywanie DCI nie zapobiega DCI, aby zapobiec DCI należy opracować system monitorowania, który może ostrzegać lekarzy o bezpośrednim ryzyku niedokrwienia mózgu, umożliwiając interwencję i zapobieganie niedokrwieniu mózgu.

Zmiany w autonomicznym układzie nerwowym, takie jak zmiany w równowadze między współczulnym i przywspółczulnym układem nerwowym, można wykryć za pomocą monitorowania zmienności rytmu serca (HRV). Donoszono, że HRV jest predyktorem złego rokowania po urazowym uszkodzeniu mózgu i udarze mózgu, w tym krwotoku podpajęczynówkowym. Jednak monitorowanie HRV w celu wykrycia początkowego niedokrwienia mózgu nie zostało dokładnie ocenione. W badaniu pacjentów z aSAH zbieraliśmy HRV w sposób ciągły do ​​10 dni po przyjęciu, ale tylko niewielka część danych HRV była analizowana off-line. Piętnastu z 55 pacjentów rozwinęło DCI w fazie ostrej, a analiza HRV w trybie off-line wykazała, że ​​stosunek niskich do wysokich częstotliwości wzrósł bardziej u pacjentów, u których rozwinął się DCI (Ref.). To skłoniło nas do podjęcia próby przeanalizowania wszystkich zebranych HRV za pomocą procesów uczenia maszynowego i zainicjowania współpracy z informatykami/analitykami danych.

Ogólnym celem tego badania jest analiza zebranych danych HRV, przy pomocy informatyków/danych i procesów uczenia maszynowego, w celu oceny, czy u pacjentów rozwijających się DCI w ostrej fazie po krwotoku podpajęczynówkowym można znaleźć określone wzorce.