DESENVOLVIMENTO DE ALGORITMO DE INTELIGÊNCIA ARTIFICIAL PARA PREDIZER RISCO DE HIPOTENSÃO APÓS INDUÇÃO EM CESARIANA COM ANESTESIA RAQUINA

Justificativa: A cesárea, quando indicada corretamente, é um método de parto que preserva a saúde da mãe e do bebê. As taxas de nascimentos por cesariana vêm aumentando em todo o mundo há anos. Entre 2010 e 2018, 21,1% dos nascimentos monitorados globalmente foram realizados por cesariana. Segundo a Organização Mundial da Saúde (OMS), a expectativa é que essa taxa aumente, chegando a 29% até o ano de 2030.

A anestesia para cesariana é influenciada fundamentalmente pelas alterações fisiológicas e patológicas induzidas pela gravidez no corpo materno. As alterações que ocorrem durante a gravidez e o parto, e as diferenças resultantes, podem apresentar desafios para os anestesiologistas.

Nos países desenvolvidos, 78% das cesarianas eletivas foram realizadas sob raquianestesia, tornando-se a técnica mais utilizada pelos anestesiologistas. A raquianestesia induz bloqueio simpático iatrogênico, reduzindo a resistência vascular sistêmica juntamente com a vasodilatação arterial e venosa, levando à hipotensão. A incidência de hipotensão após raquianestesia em gestantes varia de 7,4% a 74%, conforme relatado por Klöhr et al. A frequência de hipotensão é maior em gestantes devido a fatores como a síndrome de hipotensão supina causada pela compressão da veia cava inferior fetal e o desenvolvimento de plexo venoso colateral na região peridural, levando à subida de anestésico local intratecal no líquido cefalorraquidiano. O aprofundamento da hipotensão e da bradicardia na paciente pode resultar em colapso cardíaco, hipóxia fetal e acidose, representando um risco imprevisível para a saúde materna e fetal. O papel dos anestesiologistas é prevenir ou controlar eficazmente esta condição de risco.

Avanços recentes em aprendizagem profunda e inteligência artificial (IA) encontraram seu lugar no campo da anestesia. As aplicações de IA em anestesia podem ser categorizadas em cinco áreas principais: 1) Monitoramento da profundidade da anestesia (por exemplo, técnicas de análise de dados de EEG durante a anestesia), 2) Controle da administração do medicamento anestésico com base na profundidade da anestesia, 3) Previsão de eventos, 4) Orientação por ultrassom e 5) Tratamento da dor.

Entre essas aplicações, a previsão de eventos é particularmente crítica para os anestesiologistas. Saber sobre um evento antes que ele ocorra contribui para sua prevenção ou permite um gerenciamento mais preciso. Existem 53 estudos na literatura utilizando IA para previsão de eventos, incluindo estudos que desenvolvem algoritmos para prever hipotensão durante cirurgia e validam esses algoritmos. O que diferencia este projeto dos estudos existentes é:

Esses estudos não foram desenvolvidos especificamente para prever hipotensão induzida por raquianestesia durante cesarianas.

Esses estudos utilizaram principalmente análise de ondas (não invasiva ou invasiva) para prever hipotensão. Neste projeto, esta abordagem não será utilizada. Avaliações pré-operatórias serão realizadas e as características do paciente serão registradas. Portanto, o algoritmo resultante não será um algoritmo de entrada de dados dinâmico/em tempo real.

A facilidade de registro das características pré-operatórias, a ausência da necessidade de monitorização arterial invasiva e o potencial de aplicabilidade tornam o desenvolvimento do algoritmo mais prático. O algoritmo desenvolvido será prático de usar.

O algoritmo a ser treinado irá, à semelhança do estudo de Hatib et al., reportar o risco de hipotensão em termos percentuais.

A IA e seu subconjunto, algoritmos de aprendizado de máquina, impactam todos os aspectos de nossas vidas. Na área médica, tornou-se um método, principalmente na redução do erro humano na tomada de decisões clínicas.

Neste estudo, informações demográficas, sinais vitais, parâmetros sanguíneos específicos e certas características relacionadas à administração de raquianestesia serão registradas sistematicamente para gestantes submetidas à raquianestesia. Os parâmetros sanguíneos incluem hemograma completo, eletrólitos séricos, níveis de enzimas hepáticas (ALT/AST) e Syndecan-1. Todos os parâmetros sanguíneos estão listados no protocolo original do estudo. Syndecan-1 é uma molécula liberada no soro com a degradação ou dano da camada do glicocálice endotelial vascular. Particularmente, aumenta durante sobrecarga de volume, sepse ou processos inflamatórios. Os níveis séricos de Syndecan-1 aumentam à medida que as semanas de gravidez avançam, com o aumento mais significativo ocorrendo entre a 20ª e a 30ª semanas. Se a pré-eclâmpsia se desenvolver nas fases posteriores da gravidez, os níveis de Syndecan-1 diminuem.

Os níveis de Syndecan-1 em gestações hipertensas não mudam significativamente em comparação com gestações normais, mas foram observadas diferenças nos níveis de Syndecan-1 na presença de pré-eclâmpsia. Portanto, conforme mencionado na seção de métodos, gestantes hipertensas e com pré-eclâmpsia não serão incluídas no estudo.

Em um estudo que examinou os níveis pré e pós-operatórios de Syndecan-1 em pacientes cesarianas submetidas à raquianestesia, foi encontrada uma diferença significativa. O estudo concluiu que a administração de bolus de fluido profilático pré-operatório afetou a degradação do glicocálice endotelial. Com base neste estudo, Syndecan-1 tem potencial teórico para ser um novo marcador para prever hipotensão. Embora Syndecan-1 tenha sido estudado em mulheres grávidas antes, não há nenhum estudo na literatura examinando a relação entre os níveis pré-operatórios de Syndecan-1 e hipotensão durante raquianestesia em pacientes cesarianas. Este estudo irá investigar a relação entre Syndecan-1 e hipotensão e avaliar seu lugar no algoritmo desenvolvido.

Após registrar os dados iniciais de cada paciente, o desenvolvimento de hipotensão será observado e documentado. Os dados coletados serão analisados ​​​​para examinar as relações entre a ocorrência ou não ocorrência de hipotensão após a indução. Além disso, um algoritmo de inteligência artificial será desenvolvido a partir desses dados. O objetivo principal é desenvolver o algoritmo. Durante o estudo, não haverá alterações no manejo anestésico aplicado às gestantes.

Neste contexto, o algoritmo desenvolvido visa identificar precocemente a hipotensão causada pela raquianestesia (prevendo o risco de hipotensão antes do início da operação) e permitir o início precoce do tratamento.

Método:

Momento do Projeto: A aprovação ética do projeto foi concedida pelo Conselho de Ética em Pesquisa Clínica Não Intervencionista da Universidade Hacettepe. O projeto está previsto para ser realizado entre novembro de 2023 e abril de 2024.

Metodologia e Ferramentas de Coleta de Dados do Projeto:

Os dados das pacientes que atendem aos critérios de inclusão no Centro Cirúrgico serão obtidos a partir de resultados de exames de rotina enviados após internação para cesariana, formulários de observação pré-operatória da enfermeira e registros de sinais vitais monitorados por anestesia durante a cirurgia. Após o paciente ser encaminhado ao centro cirúrgico, as informações do Formulário de Coleta de Dados serão preenchidas pelo anestesista. A duração da hipotensão após raquianestesia começa imediatamente após a administração da anestesia em gestantes, atingindo seu nível mais baixo em aproximadamente 10-15 minutos. Sabe-se que volta ao normal dentro de 20 a 30 minutos. No entanto, a duração da hipotensão pode variar dependendo de fatores como idade gestacional, dose de anestesia, estado geral de saúde do paciente e outros fatores. Principalmente em gestantes com altas doses de anestesia ou hipertensão, a duração da hipotensão pode ser maior. Portanto, a duração da hipotensão precisa ser avaliada individualmente para cada paciente. No entanto, neste estudo, é preferida a observação durante os primeiros 15 minutos. Essa preferência é dada porque o algoritmo prevê hipotensão induzida pela coluna com base nas características pré-operatórias. Com o período de observação prolongado, a ocorrência do parto, o aumento do débito cardíaco e o início da infusão de ocitocina durante a operação tornam a hemodinâmica uma situação complexa, afetada por múltiplos fatores independentes. A coleta de dados será encerrada após os primeiros 15 minutos, e a hipotensão ocorrida após o 15º minuto não será registrada para o estudo; a observação será encerrada.

Coleta de dados do projeto:

Antes de os pacientes serem levados para a sala de cirurgia, uma quantidade adequada de sangue será coletada das amostras de sangue de rotina pré-parto colhidas do paciente para os parâmetros sanguíneos. Com exceção do Syndecan-1, os outros parâmetros nos parâmetros sanguíneos são testes de rotina realizados rotineiramente nos laboratórios de bioquímica do Hospital Universitário Hacettepe.

Ao medir o sindecan-1, as leituras de absorbância serão realizadas usando o dispositivo SpectraMax-M2 (Molecular Devices, EUA) localizado no Departamento de Bioquímica da Universidade Hacettepe. Posteriormente, os níveis séricos de sindecan-1 serão calculados usando o programa GraphPad Prism com base no gráfico padrão. A aquisição dos kits ELISA necessários para a medição do sindecan-1 será realizada através de financiamento obtido do Escritório de Pesquisa e Projetos Científicos da Universidade de Hacettepe.

Análise de dados:

Ao longo das etapas de desenvolvimento do algoritmo, será utilizada a linguagem de programação Python. O processo de desenvolvimento do algoritmo de inteligência artificial seguirá as Diretrizes para Desenvolvimento e Relatório de Modelos Preditivos de Aprendizado de Máquina em Pesquisa Biomédica: Uma diretriz de Visão Multidisciplinar. As etapas são as seguintes:

• Coleta de Dados: Os dados serão registrados através do preenchimento do Formulário de Coleta de Dados.
• Processamento de dados: Após a coleta de dados, os dados serão processados ​​e serão divididos aleatoriamente em dados de treinamento e dados de validação interna. Os dados serão limpos de artefatos e leituras incorretas.
• Anotação: Os dados serão rotulados para a classificação da inteligência artificial, e a definição de hipotensão será anotada. Serão realizados estudos para determinar o potencial de detecção de hipotensão com inteligência artificial.
• Seleção de recursos: Serão escolhidos recursos que prevejam eventos anotados ao máximo. Um ou mais algoritmos de seleção de recursos serão utilizados para este processo, e os recursos serão selecionados com base no sucesso alcançado nos modelos.
• Criação do modelo: Serão selecionadas as características mais relevantes dos dados e um modelo será desenvolvido. Algoritmos fundamentais de classificação como K-Nearest Neighbours, Support Vector Machines (SVM), Decision Trees, Random Forest, comumente usados ​​para processos de classificação na literatura, serão empregados para obter índices básicos de desempenho. Posteriormente, um método de aprendizagem profunda será desenvolvido e a diferença de desempenho entre o método proposto e os métodos básicos será examinada.

Validação Cruzada: O desempenho da versão inicial do modelo será repetidamente submetido à validação cruzada com subgrupos de dados que o modelo nunca viu antes. Isso determinará o desempenho do modelo examinando as alterações de desempenho conforme os dados variam. Dependendo do tamanho dos dados, serão empregados métodos de validação cruzada de 10 vezes ou de validação cruzada de 5 vezes.

Validação Interna: O desempenho preditivo do algoritmo treinado com os dados de treinamento será avaliado usando dados de validação interna que nunca encontrou.

Além do processo de desenvolvimento do algoritmo, caso as variáveis ​​comparadas tenham distribuição normal, testes estatísticos como ANOVA; Serão utilizados o teste t de Student e o teste U de Mann-Whitney com base no número de grupos comparados e na análise de distribuição normal das variáveis. A Análise de Correlação de Pearson e a Análise de Correlação de Spearman serão utilizadas para analisar a relação entre os valores de hipotensão e outros parâmetros contínuos com base na análise de distribuição normal das variáveis. Além disso, a previsibilidade do sistema será testada por meio de sensibilidade, especificidade, valor preditivo positivo (VPP), valor preditivo negativo (VPN), razão de chances (OR), razão de risco (RR), curva característica de operação do receptor e área sob a curva. (AUROC) e testes de coeficiente de correlação de Pearson (r). Será aceito nível de significância estatística de p<0,05. Para análise estatística, será utilizado o software Statistical Packages for the Social Sciences v26.0 (SPSS Inc., Chicago, IL).