РАЗРАБОТКА АЛГОРИТМА ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ПРОГНОЗИРОВАНИЯ РИСКА ГИПОТЕНЗИИ ПОСЛЕ ИНДУКЦИИ ПРИ КЕСАРЕВОМ СЕЧЕНИИ СО СПИНАЛЬНОЙ АНЕСТЕЗИЕЙ

Обоснование: Кесарево сечение при правильном назначении является методом родов, сохраняющим здоровье как матери, так и ребенка. Уровень рождаемости с помощью кесарева сечения в мире в течение многих лет растет. В период с 2010 по 2018 год 21,1% отслеживаемых в мире родов были осуществлены путем кесарева сечения. По данным Всемирной организации здравоохранения (ВОЗ), ожидается, что к 2030 году этот показатель увеличится и достигнет 29%.

На проведение анестезии при кесаревом сечении существенное влияние оказывают как физиологические, так и патологические изменения, вызванные беременностью в организме матери. Изменения, происходящие во время беременности и родов, и возникающие в результате различия могут представлять проблемы для анестезиологов.

В развитых странах 78% плановых кесаревых сечений выполняются под спинальной анестезией, что делает этот метод наиболее широко используемым анестезиологами. Спинальная анестезия вызывает ятрогенную симпатическую блокаду, снижая системное сосудистое сопротивление наряду с расширением артериальных и венозных сосудов, что приводит к гипотонии. По данным Klöhr et al., частота развития гипотонии после спинальной анестезии у беременных колеблется от 7,4% до 74%. Частота гипотонии выше у беременных вследствие таких факторов, как синдром гипотензии в положении лежа, вызванный сдавлением нижней полой вены плода и развитием коллатеральных венозных сплетений в эпидуральной области, что приводит к интратекальному попаданию местного анестетика в спинномозговую жидкость. Углубление гипотонии и брадикардии у больного может привести к сердечному коллапсу, гипоксии плода и ацидозу, что представляет непредсказуемый риск для здоровья матери и плода. Роль анестезиологов состоит в том, чтобы эффективно предотвратить или контролировать это опасное состояние.

Последние достижения в области глубокого обучения и искусственного интеллекта (ИИ) нашли свое место в области анестезии. Приложения ИИ в анестезии можно разделить на пять основных областей: 1) Мониторинг глубины анестезии (например, методы анализа данных ЭЭГ во время анестезии), 2) Контроль доставки анестетика на основе глубины анестезии, 3) Прогнозирование событий, 4) Ультразвуковое руководство и 5) Обезболивание.

Среди этих приложений прогнозирование событий особенно важно для анестезиологов. Знание о событии до того, как оно произойдет, способствует его предотвращению или позволяет более точно управлять им. В литературе опубликовано 53 исследования с использованием ИИ для прогнозирования событий, включая исследования, разрабатывающие алгоритмы прогнозирования гипотонии во время операции и проверяющие эти алгоритмы. Что отличает этот проект от существующих исследований:

Эти исследования не были специально разработаны для прогнозирования гипотонии, вызванной спинальной анестезией, во время кесарева сечения.

В этих исследованиях для прогнозирования гипотонии в основном использовался волновой анализ (неинвазивный или инвазивный). В данном проекте такой подход использоваться не будет. Будет проведено предоперационное обследование и записаны характеристики пациента. Следовательно, результирующий алгоритм не будет алгоритмом динамического ввода данных в реальном времени.

Простота регистрации предоперационных характеристик, отсутствие необходимости инвазивного артериального мониторинга и возможность применимости делают разработку алгоритма более практичной. Разработанный алгоритм будет практичен в использовании.

Обучаемый алгоритм, как и в исследовании Хатиба и др., будет сообщать о риске гипотонии в процентном отношении.

Искусственный интеллект и его подмножество — алгоритмы машинного обучения — влияют на все аспекты нашей жизни. В области медицины это стало методом, особенно в плане уменьшения человеческих ошибок при принятии клинических решений.

В этом исследовании демографическая информация, показатели жизнедеятельности, конкретные параметры крови и некоторые характеристики, связанные с проведением спинальной анестезии, будут систематически регистрироваться у беременных женщин, перенесших спинальную анестезию. Параметры крови включают общий анализ крови, электролиты сыворотки, уровни ферментов печени (АЛТ/АСТ) и синдекана-1. Все параметры крови указаны в оригинальном протоколе исследования. Синдекан-1 представляет собой молекулу, попадающую в сыворотку при деградации или повреждении слоя гликокаликса сосудистого эндотелия. В частности, он повышается при объемной нагрузке, сепсисе или воспалительных процессах. Уровни синдекана-1 в сыворотке увеличиваются с течением недель беременности, причем наиболее значительное увеличение происходит между 20-й и 30-й неделями. Если преэклампсия развивается на более поздних сроках беременности, уровень синдекана-1 снижается.

Уровни синдекана-1 при гипертонической беременности существенно не изменяются по сравнению с нормальными беременностями, но наблюдаются различия в уровнях синдекана-1 при наличии преэклампсии. Поэтому, как упоминалось в разделе «Методы», в исследование не будут включены беременные женщины с артериальной гипертонией и преэклампсией.

В исследовании по изучению предоперационных и послеоперационных уровней синдекана-1 у пациенток с кесаревым сечением, перенесших спинальную анестезию, была обнаружена значительная разница. Исследование пришло к выводу, что предоперационное профилактическое болюсное введение жидкости влияет на деградацию эндотелиального гликокаликса. Согласно этому исследованию, Синдекан-1 теоретически потенциально может стать новым маркером для прогнозирования гипотонии. Хотя синдекан-1 ранее изучался у беременных женщин, в литературе нет исследований, изучающих взаимосвязь между предоперационными уровнями синдекана-1 и гипотонией во время спинальной анестезии у пациенток с кесаревым сечением. В этом исследовании будет изучена связь между синдеканом-1 и гипотонией, а также оценено его место в разработанном алгоритме.

После регистрации исходных данных для каждого пациента будет наблюдаться и документироваться развитие гипотонии. Собранные данные будут проанализированы для изучения взаимосвязи между возникновением или отсутствием гипотонии после индукции. Кроме того, на основе этих данных будет разработан алгоритм искусственного интеллекта. Основная цель — разработать алгоритм. В ходе исследования не будет никаких изменений в анестезиологическом обеспечении беременных женщин.

В связи с этим разработанный алгоритм направлен на раннее выявление гипотонии, вызванной спинальной анестезией (прогнозирование риска гипотонии до начала операции) и раннее начало лечения.

Метод:

Время реализации проекта: Этическое одобрение проекта было предоставлено Советом по этике неинтервенционных клинических исследований Университета Хаджеттепе. Проект планируется реализовать в период с ноября 2023 года по апрель 2024 года.

Методология и инструменты сбора данных проекта:

Данные о пациентах, соответствующих критериям включения в операционную, будут получены из результатов рутинных анализов, отправленных после госпитализации для кесарева сечения, форм предоперационного наблюдения медсестры и записей жизненно важных функций, контролируемых анестезией во время операции. После того, как пациента доставят в операционную, данные в Форме сбора данных заполнит анестезиолог. Продолжительность гипотонии после спинальной анестезии начинается сразу после введения анестезии у беременных, достигая наименьшего уровня примерно через 10-15 минут. Известно, что оно возвращается в норму в течение 20-30 минут. Однако продолжительность гипотонии может варьировать в зависимости от таких факторов, как срок беременности, доза анестезии, общее состояние здоровья пациентки и другие факторы. Продолжительность гипотонии может быть больше, особенно у беременных женщин с высокими дозами анестезии или гипертонией. Поэтому продолжительность гипотонии необходимо оценивать индивидуально для каждого пациента. Однако в этом исследовании предпочтение отдается наблюдению в течение первых 15 минут. Это предпочтение сделано потому, что алгоритм прогнозирует спинальную гипотонию на основе предоперационных характеристик. При длительном периоде наблюдения возникновение родов, увеличение сердечного выброса и начало инфузии окситоцина во время операции делают гемодинамику сложной ситуацией, на которую влияют многочисленные независимые факторы. Сбор данных закончится через первые 15 минут, а гипотония, возникшая после 15-й минуты, не будет регистрироваться в исследовании; наблюдение будет прекращено.

Сбор данных проекта:

Прежде чем пациентов доставят в операционную, у пациента будет взято достаточное количество крови из обычных предродовых образцов крови для определения параметров крови. За исключением синдекана-1, остальные параметры крови представляют собой обычные тесты, которые обычно проводятся в биохимических лабораториях университетской больницы Хаджеттепе.

При измерении синдекана-1 показания поглощения будут проводиться с использованием устройства SpectraMax-M2 (Molecular Devices, США), расположенного на кафедре биохимии Университета Хаджеттепе. Впоследствии уровни синдекана-1 в сыворотке будут рассчитаны с использованием программы GraphPad Prism на основе стандартного графика. Закупка необходимых наборов ИФА для измерения уровня синдекана-1 будет осуществляться за счет средств, полученных от Отдела научных исследований и проектов Университета Хаджеттепе.

Анализ данных:

На всех этапах разработки алгоритма будет использоваться язык программирования Python. Процесс разработки алгоритма искусственного интеллекта будет следовать «Руководству по разработке и составлению отчетов о моделях машинного обучения в биомедицинских исследованиях: руководство по междисциплинарному взгляду». Шаги следующие:

• Сбор данных: данные будут записываться путем заполнения формы сбора данных.
• Обработка данных: после сбора данных данные будут обработаны и случайным образом разделены на данные обучения и данные внутренней проверки. Данные будут очищены от артефактов и ошибок.
• Аннотация: Будут размечены данные по классификации искусственного интеллекта и аннотировано определение гипотонии. Будут проведены исследования, чтобы определить потенциал выявления гипотонии с помощью искусственного интеллекта.
• Выбор функций: будут выбраны функции, которые в наибольшей степени прогнозируют аннотированные события. Для этого процесса будет использоваться один или несколько алгоритмов выбора функций, и функции будут выбираться на основе успеха, достигнутого в моделях.
• Создание модели: будут выбраны наиболее релевантные функции данных и разработана модель. Для получения основных коэффициентов производительности будут использоваться фундаментальные алгоритмы классификации, такие как K-ближайшие соседи, машины опорных векторов (SVM), деревья решений, случайный лес, которые обычно используются для процессов классификации в литературе. Впоследствии будет разработан метод глубокого обучения и исследована разница в производительности между предлагаемым методом и базовыми методами.

Перекрестная проверка: производительность исходной версии модели будет неоднократно подвергаться перекрестной проверке с подгруппами данных, которые модель никогда раньше не видела. Это позволит определить производительность модели путем изучения изменений производительности по мере изменения данных. В зависимости от размера данных будут использоваться методы 10-кратной перекрестной проверки или 5-кратной перекрестной проверки.

Внутренняя проверка. Прогностическая эффективность алгоритма, обученного на обучающих данных, будет оцениваться с использованием данных внутренней проверки, с которыми он никогда не сталкивался.

В дополнение к процессу разработки алгоритма, если сравниваемые переменные имеют нормальное распределение, статистические тесты, такие как ANOVA; T-критерий Стьюдента и U-критерий Манна-Уитни будут использоваться на основе количества сравниваемых групп и анализа нормального распределения переменных. Корреляционный анализ Пирсона и корреляционный анализ Спирмена будут использоваться для анализа взаимосвязи между значениями гипотонии и другими непрерывными параметрами на основе анализа нормального распределения переменных. Кроме того, предсказуемость системы будет проверена с использованием чувствительности, специфичности, положительной прогностической ценности (PPV), отрицательной прогностической ценности (NPV), отношения шансов (OR), отношения риска (RR), кривой рабочих характеристик приемника и площади под кривой. (AUROC) и тесты на коэффициент корреляции Пирсона (r). Принимается уровень статистической значимости p<0,05. Для статистического анализа будет использоваться программное обеспечение «Статистические пакеты для социальных наук v26.0» (SPSS Inc., Чикаго, Иллинойс).