Opracowanie algorytmu sztucznej inteligencji do przewidywania ryzyka hipotensji po indukcji cięcia cesarskiego w znieczuleniu kręgosłupa

Uzasadnienie: Cięcie cesarskie, jeśli jest prawidłowo wskazane, jest metodą porodu, która pozwala zachować zdrowie zarówno matki, jak i dziecka. Od lat na całym świecie rośnie liczba urodzeń przez cesarskie cięcie. W latach 2010–2018 21,1% porodów obserwowanych na całym świecie odbyło się przez cesarskie cięcie. Według Światowej Organizacji Zdrowia (WHO) oczekuje się, że wskaźnik ten wzrośnie i do roku 2030 osiągnie 29%.

Na znieczulenie do cięcia cesarskiego zasadniczy wpływ mają zarówno zmiany fizjologiczne, jak i patologiczne w organizmie matki wywołane ciążą. Zmiany zachodzące w czasie ciąży i porodu oraz wynikające z nich różnice mogą stanowić wyzwanie dla anestezjologów.

W krajach rozwiniętych 78% planowych cięć cesarskich wykonywano w znieczuleniu rdzeniowym, co czyni tę technikę najczęściej stosowaną przez anestezjologów. Znieczulenie rdzeniowe indukuje jatrogenną blokadę układu współczulnego, zmniejszając ogólnoustrojowy opór naczyniowy oraz rozszerzenie naczyń tętniczych i żylnych, co prowadzi do niedociśnienia. Jak podają Klöhr i wsp., częstość występowania niedociśnienia po znieczuleniu rdzeniowym u kobiet w ciąży waha się od 7,4% do 74%. Częstość występowania niedociśnienia tętniczego jest większa u kobiet w ciąży ze względu na takie czynniki, jak zespół niedociśnienia w pozycji leżącej, spowodowany uciskiem żyły głównej dolnej płodu i rozwojem splotu żylnego obocznego w okolicy nadtwardówkowej, co prowadzi do przedostania się dooponowego środka znieczulającego do płynu mózgowo-rdzeniowego. Pogłębienie się niedociśnienia i bradykardii u pacjentki może skutkować zapaścią serca, niedotlenieniem płodu i kwasicą, stwarzając nieprzewidywalne ryzyko dla zdrowia matki i płodu. Rolą anestezjologów jest zapobieganie tej ryzykownej chorobie lub skuteczne jej kontrolowanie.

Najnowsze osiągnięcia w zakresie głębokiego uczenia się i sztucznej inteligencji (AI) znalazły swoje miejsce w dziedzinie znieczulenia. Zastosowania sztucznej inteligencji w znieczuleniu można podzielić na pięć głównych obszarów: 1) monitorowanie głębokości znieczulenia (np. techniki analizujące dane EEG podczas znieczulenia), 2) kontrola podawania leku znieczulającego na podstawie głębokości znieczulenia, 3) przewidywanie zdarzeń, 4) Wskazówki dotyczące USG oraz 5) Leczenie bólu.

Wśród tych zastosowań przewidywanie zdarzeń jest szczególnie istotne dla anestezjologów. Wiedza o zdarzeniu jeszcze przed jego wystąpieniem pozwala mu zapobiec lub umożliwia bardziej precyzyjne zarządzanie. W literaturze opisano 53 badania wykorzystujące sztuczną inteligencję do przewidywania zdarzeń, w tym badania mające na celu opracowanie algorytmów przewidywania niedociśnienia podczas operacji i walidację tych algorytmów. Tym, co odróżnia ten projekt od istniejących badań, są:

Badania te nie zostały opracowane specjalnie w celu przewidywania niedociśnienia wywołanego znieczuleniem rdzeniowym podczas cięć cesarskich.

W badaniach tych najczęściej wykorzystywano analizę fal (nieinwazyjną lub inwazyjną) do przewidywania niedociśnienia. W tym projekcie podejście to nie będzie stosowane. Przeprowadzona zostanie ocena przedoperacyjna i zarejestrowana zostanie charakterystyka pacjenta. Dlatego powstały algorytm nie będzie algorytmem wprowadzania danych dynamicznych/czasu rzeczywistego.

Łatwość rejestracji cech przedoperacyjnych, brak konieczności inwazyjnego monitorowania tętnic oraz możliwość zastosowania sprawiają, że opracowanie algorytmu jest bardziej praktyczne. Opracowany algorytm będzie praktyczny w użyciu.

Algorytm, który ma zostać przeszkolony, będzie, podobnie jak badanie Hatiba i wsp., raportował ryzyko niedociśnienia w ujęciu procentowym.

Sztuczna inteligencja i jej podzbiór, algorytmy uczenia maszynowego, wpływają na każdy aspekt naszego życia. W medycynie stała się metodą, szczególnie w ograniczaniu błędów ludzkich w podejmowaniu decyzji klinicznych.

W tym badaniu informacje demograficzne, parametry życiowe, specyficzne parametry krwi i pewne cechy związane z podaniem znieczulenia rdzeniowego będą systematycznie rejestrowane w przypadku kobiet w ciąży poddawanych znieczuleniu rdzeniowemu. Parametry krwi obejmują pełną morfologię krwi, elektrolity w surowicy, poziom enzymów wątrobowych (ALT/AST) i Syndekan-1. Wszystkie parametry krwi są wymienione w oryginalnym protokole badania. Syndekan-1 jest cząsteczką przenikającą do surowicy w wyniku degradacji lub uszkodzenia warstwy glikokaliksu śródbłonka naczyniowego. Szczególnie wzrasta podczas obciążenia objętościowego, posocznicy lub procesów zapalnych. Stężenie syndekanu-1 w surowicy wzrasta wraz z upływem tygodni ciąży, przy czym najbardziej znaczący wzrost występuje pomiędzy 20. a 30. tygodniem ciąży. Jeśli stan przedrzucawkowy rozwinie się w późniejszych stadiach ciąży, stężenie Syndekanu-1 spadnie.

Stężenia Syndekanu-1 w ciążach z nadciśnieniem nie zmieniają się znacząco w porównaniu z ciążami prawidłowymi, ale zaobserwowano różnice w poziomach Syndekanu-1 w przypadku stanu przedrzucawkowego. Dlatego też, jak wspomniano w części poświęconej metodom, do badania nie zostaną włączone kobiety w ciąży z nadciśnieniem tętniczym i stanem przedrzucawkowym.

W badaniu oceniającym przedoperacyjne i pooperacyjne stężenie Syndekanu-1 u pacjentek po cięciu cesarskim, które poddano znieczuleniu rdzeniowemu, stwierdzono istotną różnicę. W badaniu stwierdzono, że przedoperacyjne profilaktyczne podanie bolusa płynów wpływa na degradację śródbłonkowego glikokaliksu. Na podstawie tego badania Syndekan-1 ma teoretyczny potencjał, aby stać się nowym markerem przewidywania niedociśnienia. Chociaż Syndekan-1 był już badany u kobiet w ciąży, w literaturze nie ma badań oceniających związek między stężeniem Syndekanu-1 przed operacją a niedociśnieniem podczas znieczulenia rdzeniowego u pacjentek po cięciu cesarskim. Celem tego badania będzie zarówno zbadanie związku pomiędzy Syndekanem-1 a niedociśnieniem, jak i ocena jego miejsca w opracowanym algorytmie.

Po zarejestrowaniu początkowych danych dla każdego pacjenta, zostanie zaobserwowany i udokumentowany rozwój niedociśnienia. Zebrane dane zostaną poddane analizie w celu zbadania zależności pomiędzy wystąpieniem lub niewystąpieniem hipotonii po indukcji. Dodatkowo na podstawie tych danych zostanie opracowany algorytm sztucznej inteligencji. Głównym celem jest opracowanie algorytmu. W trakcie badania nie nastąpią zmiany w sposobie postępowania ze znieczuleniem stosowanym u kobiet w ciąży.

W tym kontekście opracowany algorytm ma na celu wczesną identyfikację hipotonii spowodowanej znieczuleniem rdzeniowym (przewidywanie ryzyka wystąpienia hipotonii przed rozpoczęciem operacji) i umożliwienie wczesnego rozpoczęcia leczenia.

Metoda:

Czas realizacji projektu: Zgoda etyczna dla projektu została wydana przez Radę ds. Etyki Nieinterwencyjnych Badań Klinicznych Uniwersytetu Hacettepe. Realizacja projektu planowana jest na okres od listopada 2023 r. do kwietnia 2024 r.

Metodologia i narzędzia gromadzenia danych projektu:

Dane pacjentów spełniających kryteria włączenia na salę operacyjną będą pozyskiwane z rutynowych badań przesyłanych po hospitalizacji z powodu cięcia cesarskiego, kart obserwacji przedoperacyjnej pielęgniarki oraz zapisów parametrów życiowych monitorowanych przez znieczulenie podczas operacji. Po przyjęciu pacjenta na salę operacyjną informacje w Formularzu Zbioru Danych zostaną uzupełnione przez anestezjologa. U kobiet w ciąży hipotensja po znieczuleniu podpajęczynówkowym rozpoczyna się natychmiast po podaniu znieczulenia i osiąga najniższy poziom w ciągu około 10–15 minut. Wiadomo, że powrót do normy następuje w ciągu 20–30 minut. Jednakże czas trwania niedociśnienia może się różnić w zależności od takich czynników, jak wiek ciążowy, dawka znieczulenia, ogólny stan zdrowia pacjentki i inne czynniki. Szczególnie u kobiet w ciąży przyjmujących duże dawki znieczulenia lub z nadciśnieniem czas trwania niedociśnienia może być dłuższy. Dlatego też czas trwania niedociśnienia należy oceniać indywidualnie u każdego pacjenta. Jednak w tym badaniu preferowana jest obserwacja przez pierwsze 15 minut. Preferuje się to, ponieważ algorytm przewiduje niedociśnienie wywołane przez kręgosłup na podstawie cech przedoperacyjnych. Wydłużony okres obserwacji, wystąpienie porodu, zwiększenie rzutu serca i rozpoczęcie wlewu oksytocyny w trakcie operacji powodują, że hemodynamika jest sytuacją złożoną, na którą wpływa wiele niezależnych czynników. Zbieranie danych zakończy się po pierwszych 15 minutach, a niedociśnienie występujące po 15 minutach nie będzie rejestrowane w badaniu; obserwacja zostanie zakończona.

Zbieranie danych projektowych:

Przed przyjęciem pacjenta na salę operacyjną zostanie pobrana odpowiednia ilość krwi z rutynowo pobieranych przed porodem próbek krwi do badania parametrów krwi. Z wyjątkiem Syndekanu-1, pozostałe parametry krwi to rutynowe badania rutynowo wykonywane w laboratoriach biochemicznych szpitala uniwersyteckiego Hacettepe.

Podczas pomiaru syndekanu-1 odczyty absorbancji będą prowadzone przy użyciu urządzenia SpectraMax-M2 (Molecular Devices, USA) znajdującego się na Wydziale Biochemii Uniwersytetu Hacettepe. Następnie obliczone zostaną poziomy syndekanu-1 w surowicy przy użyciu programu GraphPad Prism w oparciu o standardowy wykres. Zakup niezbędnych zestawów ELISA do pomiaru syndekanu-1 zostanie zrealizowany dzięki funduszom uzyskanym z Biura Badań Naukowych i Projektów Uniwersytetu Hacettepe.

Analiza danych:

Na wszystkich etapach tworzenia algorytmu używany będzie język programowania Python. Proces opracowywania algorytmu sztucznej inteligencji będzie przebiegał zgodnie z wytycznymi dotyczącymi opracowywania i raportowania modeli predykcyjnych uczenia maszynowego w badaniach biomedycznych: podejście multidyscyplinarne. Kroki są następujące:

• Gromadzenie danych: Dane zostaną zapisane poprzez wypełnienie formularza gromadzenia danych.
• Przetwarzanie danych: Po zebraniu danych zostaną one przetworzone i losowo podzielone na dane szkoleniowe i dane do wewnętrznej walidacji. Dane zostaną oczyszczone z artefaktów i błędnych odczytów.
• Adnotacja: Dane zostaną oznaczone etykietą na potrzeby klasyfikacji sztucznej inteligencji oraz adnotacją dotyczącą definicji niedociśnienia. Prowadzone będą badania mające na celu określenie możliwości wykrywania niedociśnienia za pomocą sztucznej inteligencji.
• Wybór funkcji: Wybrane zostaną funkcje, które w największym stopniu przewidują zdarzenia z adnotacjami. W tym procesie zostanie zastosowany jeden lub więcej algorytmów wyboru cech, a cechy zostaną wybrane na podstawie sukcesu osiągniętego w modelach.
• Tworzenie modelu: zostaną wybrane najbardziej istotne cechy danych i opracowany zostanie model. Podstawowe algorytmy klasyfikacji, takie jak K-Nearest Neighbours, maszyny wektorów nośnych (SVM), drzewa decyzyjne, losowy las, powszechnie stosowane w procesach klasyfikacji w literaturze, zostaną wykorzystane w celu uzyskania podstawowych współczynników wydajności. Następnie opracowana zostanie metoda głębokiego uczenia się i zbadana zostanie różnica w wydajności pomiędzy proponowaną metodą a metodami podstawowymi

Walidacja krzyżowa: Wydajność początkowej wersji modelu będzie wielokrotnie poddawana walidacji krzyżowej z podgrupami danych, których model nigdy wcześniej nie widział. Spowoduje to określenie wydajności modelu poprzez zbadanie zmian wydajności w miarę zmiany danych. W zależności od rozmiaru danych zostaną zastosowane metody 10-krotnej lub 5-krotnej walidacji krzyżowej.

Walidacja wewnętrzna: Predykcyjna wydajność algorytmu przeszkolonego na podstawie danych szkoleniowych zostanie oceniona przy użyciu wewnętrznych danych walidacyjnych, z którymi nigdy się nie spotkał.

Oprócz procesu opracowywania algorytmu, jeśli porównywane zmienne mają rozkład normalny, przeprowadzane są testy statystyczne, takie jak ANOVA; W oparciu o liczbę porównywanych grup oraz analizę rozkładu normalnego zmiennych zostaną zastosowane testy t-Studenta oraz test U Manna-Whitneya. Analiza korelacji Pearsona i analiza korelacji Spearmana zostaną wykorzystane do analizy związku między wartościami niedociśnienia a innymi parametrami ciągłymi w oparciu o analizę rozkładu normalnego zmiennych. Ponadto przewidywalność systemu zostanie przetestowana przy użyciu czułości, specyficzności, dodatniej wartości predykcyjnej (PPV), ujemnej wartości predykcyjnej (NPV), ilorazu szans (OR), ilorazu ryzyka (RR), krzywej charakterystyki działania odbiornika i pola pod krzywą (AUROC) i testy współczynnika korelacji Pearsona (r). Przyjęty zostanie poziom istotności statystycznej p<0,05. Do analizy statystycznej zostanie użyte oprogramowanie Statistical Packages for the Social Sciences v26.0 (SPSS Inc., Chicago, IL).