Analiza ryzyka pęknięcia tętniaka śródczaszkowego poprzez społeczne determinanty zdrowia (ARAMISS)

Tętniaki śródczaszkowe (IA), najczęstsza wad rozwojowa tętnicza śródczaszkowego, wpływa na około 3% globalnej populacji. Charakteryzują się rozszerzeniem ściany naczyniowej w obszarze śródczaszkowym, zwykle podczas rozwidlenia. Najbardziej obawianym komplikacją IA jest pęknięcie, które wiąże się z wysoką zachorowalnością i śmiertelnością. Około 30% pacjentów stoi w obliczu śmierci lub ciężkiej niepełnosprawności, a nawet wśród osób bez widocznych następstw, do 50% cierpi z powodu niewidocznych niepełnosprawności, takich jak problemy poznawcze. To tłumaczy znaczne obciążenie ekonomiczne pękniętego MSR, szacowane na około 168 milionów funtów rocznie w Wielkiej Brytanii.

Jednym ze sposobów zmniejszenia tej zachorowalności i obciążenia społecznego jest identyfikacja pacjentów z wysokim ryzykiem pęknięcia w celu ustalenia tych, którzy najprawdopodobniej doświadczą postępu choroby. Opracowano różne inicjatywy, takie jak opóźnienie, fazy i wyniki UCAS, w celu oceny ryzyka pęknięcia w rutynowej praktyce klinicznej. Jednak wyniki te w dużej mierze opierają się na dobrze znanych modyfikowalnych i niemodyfikowalnych czynnikach ryzyka, takich jak pochodzenie etniczne, nadciśnienie, płeć, wiek, palenie i historia krwotoku subanoachnoidowego. Pomimo ich użyteczności są niewystarczające do niezawodnego rozwarstwiania ryzyka pęknięcia, nie doceniając go o około 30%, co ogranicza ich wpływ na codzienne praktyki.

Ostatnie badania zidentyfikowały pojawiające się czynniki ryzyka i ochronne, takie jak zespół bezdechu sennego, kontrola lipidów oraz stosowanie leczenia przeciwcukrzycowego, obniżającego lipidy lub leczenia przeciwnadciśnieniowego. Dlatego konieczne jest ponowne ponowne ponowne ryzyko pęknięcia IA poprzez rozważenie tych czynników w odniesieniu do środowisk życiowych pacjentów.

Społeczne determinanty zdrowia (SDOH) odgrywają kluczową rolę w tym kontekście. Zdefiniowane jako warunki życia, które wpływają na zdrowie indywidualne i populacyjne, SDOH obejmują szerokie czynniki, takie jak wiek, pochodzenie etniczne i płeć, a także zachowania uzależnień, poziomy dochodu, narażenie na środowisko i status społeczny. Szacuje się, że przyczyniają się do ponad 80% wyników zdrowotnych populacji. W chorobach naczyniowych SDOH, takie jak niski poziom wykształcenia, ograniczone dochody, izolacja społeczna i niska aktywność fizyczna -o których wiadomo, że wpływają na nasilenie choroby poza tradycyjnymi czynnikami ryzyka. WHO szacuje, że choroby naczyniowe są wiodącą globalną przyczyną śmiertelności, z 17,7 milionami zgonów rocznie, z których połowa można zapobiec. Zrozumienie i zajęcie się SDOH ma zatem kluczowe znaczenie dla wysiłków zapobiegania zdrowia publicznego.

Wstępne badania wpływu SDOH na pęknięcie IA są ograniczone, często koncentrując się na poszczególnych determinantach. Potrzebne jest bardziej kompleksowe podejście do SDH, zwłaszcza biorąc pod uwagę brak wytycznych dotyczących konsensusu dotyczące zarządzania IA. Obecne opcje terapeutyczne, choć zaawansowane, nadal mają zachorowalność okołooperacyjną. Modelowanie wielowymiarowe i ważone wyniki złożone mogą pomóc w złożoności czynników klinicznych i środowiskowych.

Dane SDH są rutynowo gromadzone w dokumentacji medycznej i coraz bardziej zdigitalizowane za pośrednictwem szpitalnych systemów informatycznych. Magazyny danych zdrowotnych (HDW), takie jak ten w Nantes University Hospital, integrują strukturalne i nieustrukturyzowane dane od milionów pacjentów, umożliwiając ich ponowne wykorzystanie do celów badawczych. Pojawienie się sztucznej inteligencji (AI) umożliwiło wyodrębnienie i analizę tych danych, ujawniając spostrzeżenia z wcześniej niedostępnych informacji.

Naturalne przetwarzanie języka (NLP), gałąź AI, umożliwia zautomatyzowaną ekstrakcję informacji z tekstowej dokumentacji medycznej, odblokowując potencjał nieustrukturyzowanych danych w HDW. Najnowocześniejsze modele, takie jak Bert, Chatgpt, Lama i Mistral, mogą przetwarzać i analizować duże ilości tekstu. Jednak zastosowanie NLP do języków nieanglojęzycznych jest ograniczone przez brak adnotowanego korporacji, obawy dotyczące prywatności i przepisy dotyczące suwerenności danych.

Projekt Aramiss ma na celu zbadanie interakcji między SDH a ​​znanymi czynnikami ryzyka pęknięcia IA, porównując pacjentów z nieopłacanym MSR z pacjentami z pękniętym MSR. Korzystając z SDH, projekt sklasyfikuje pacjentów na grupy ryzyka i przestrzennie przeanalizuje dane pacjentów za pośrednictwem interfejsów API, takich jak DatAgouv. Ponadto projekt koncentruje się na opracowywaniu metodologii Fair (Finable, dostępnych, interoperacyjnych, wielokrotnego użytku) w celu dzielenia się swoimi algorytmami i szkoleniem korporacji ze społecznością biomedyczną przy jednoczesnym zachowaniu zgodności regulacyjnej.