Przewidywanie i leczenie zatrzymania krążenia wspomagane sztuczną inteligencją

Nagłe zatrzymanie krążenia (NZK) pozostaje główną przyczyną śmiertelności w Stanach Zjednoczonych. Pomimo znaczących wysiłków na rzecz poprawy wyników resuscytacji, przeżywalność pozostaje niska. Co więcej, NZK jest często pierwszym objawem choroby serca, po którym osoby, które przeżyły, zwykle cierpią na wtórne przewlekłe choroby sercowo-naczyniowe i neurologiczne z powodu pierwotnego uszkodzenia. Resuscytacja z powodu NZK jest inicjowana u pacjentów cierpiących na zagrażające życiu zaburzenia rytmu serca, ogólnie częstoskurcz komorowy/migotanie komór (VT/VF) lub bezpulsową aktywność elektryczną (PEA), co w przypadku sukcesu prowadzi do powrotu spontanicznego krążenia (ROSC). Jednak często następuje po tym powtarzające się ponowne zatrzymanie krążenia z powodu VT/VF, PEA lub asystolii. Co ważne, mechanizmy VT/VF i PEA różnią się znacznie, a ustandaryzowane, niededykowane leczenie może pogorszyć wyniki. Obecnie leczenie jest zazwyczaj rozpoczynane po ponownym zatrzymaniu krążenia i bez uwzględnienia unikalnych osobistych cech pacjenta lub cech zatrzymania, które są znanymi predyktorami wyników zatrzymania krążenia. Ostatnie badania wykazały, że szybsza i bardziej ukierunkowana odpowiedź terapeutyczna (tj. krótszy czas do leczenia dedykowanego typowi ponownego zatrzymania) w przypadku zatrzymania krążenia może znacząco poprawić przeżywalność i późniejsze przewlekłe powikłania po NZK. Dlatego możliwość przewidywania wystąpienia zatrzymania krążenia lub ponownego zatrzymania i jego przyczyny (tj. VT/VF i PEA) może prowadzić do wczesnej spersonalizowanej terapii i ostatecznie poprawić wyniki resuscytacji, co jest długoterminowym translacyjnym celem tego przedsięwzięcia. Dodatkowo wczesna interwencja może być kluczowa w społecznościach wiejskich, gdzie czas transportu do szpitalnej opieki ostatecznej jest długi, a zasoby są ograniczone.

W trwających pracach badacze niedawno zaobserwowali u pacjentów służb ratownictwa medycznego (EMS), że dodanie parametrów klinicznych (np. wieku, typu pierwotnego zatrzymania) do cech pochodzących z załamka T EKG w modelu uczenia maszynowego (ML) poprawia dokładność przewidywania VT/VF i PEA (>90%). Badacze proponują badanie wykonalności przewidywania ponownego zatrzymania krążenia z wykorzystaniem ML. Ogólna hipoteza jest taka, że biomarker EKG w połączeniu z cechami klinicznymi może przewidzieć ponowne zatrzymanie krążenia i jego przyczynę (VT/VF lub PEA), co znacząco poprawi czas do leczenia oraz ostre i przewlekłe wyniki zatrzymania krążenia. Badacze dalej zakładają, że taka technologia może być łatwo przyjęta i skutecznie wdrożona przez ratowników medycznych. Badacze planują dwa powiązane badania kliniczne: jedno obserwacyjne w symulowanym zatrzymaniu krążenia, a drugie obserwacyjne u pacjentów EMS. Poniższe konkretne cele przetestują te hipotezy.

Cel 1. Określenie wydajności i satysfakcji użytkowników końcowych z w pełni zautomatyzowanego urządzenia do przewidywania ponownego zatrzymania krążenia z wykorzystaniem ML w symulowanych scenariuszach zatrzymania krążenia. Ratownicy medyczni w symulowanych scenariuszach resuscytacji w czasie rzeczywistym z wykorzystaniem rzeczywistych zapisów EKG z ponownego zatrzymania krążenia będą badani w celu identyfikacji barier i ułatwień we wdrażaniu i przyjęciu technologii, a także satysfakcji dostawców i postrzeganej wartości interwencji. Zostanie to osiągnięte poprzez określenie metryk wydajności dostawców (np. inicjowanie terapii z wykorzystaniem ML) oraz zastosowanie narzędzi jakościowych do oceny zaangażowania, zaufania i postrzeganej użyteczności użytkowników końcowych. Badania te dostarczą podstawowych danych dotyczących wdrożenia i skalowalności technologii zarówno dla badania klinicznego, jak i wytycznych dla przyszłej aprobaty FDA i regulacyjnej.

Cel 2. Przetestowanie dokładności wieloklasowego modelu ML do przewidywania w czasie rzeczywistym wystąpienia ponownego zatrzymania krążenia i jego typu (VT/VF vs. PEA) oraz wpływu na czas do leczenia w obserwacyjnym badaniu klinicznym pacjentów z zatrzymaniem krążenia. Wykorzystując trwającą współpracę z Cleveland i lokalnymi służbami EMS, badacze zrekrutują pacjentów EMS z zatrzymaniem krążenia i będą obserwować wystąpienie ponownego zatrzymania krążenia w walidacyjnym badaniu obserwacyjnym proof-of-concept. Określona zostanie dokładność w pełni zautomatyzowanego modelu ML w przewidywaniu ponownego zatrzymania krążenia i jego typu, ale wytyczne dotyczące leczenia nie będą testowane w tym czasie. Dostawcy będą zaślepieni na wyniki ML, a ML nie będzie kierować leczeniem. Offline, dokładność przewidywania i szacowany czas do decyzji o leczeniu z wykorzystaniem ML zostaną porównane z rzeczywistym typem ponownego zatrzymania krążenia i czasem leczenia. Wyniki te dostarczą wstępnych wyników bezpieczeństwa i dokładności, oszacowań wielkości próby oraz procesów rekrutacji i świadomej zgody dla przyszłego randomizowanego kontrolowanego badania klinicznego testującego leczenie ponownego zatrzymania krążenia z wykorzystaniem ML.