Artificiell intelligens vid subaraknoidal blödning (AISAH)

Patienter med aneurysmal subaraknoidal blödning (aSAH) utvecklar fördröjd cerebral ischemi (DCI) i cirka 30 % av fallen. DCI är associerat med ökad dödlighet, ihållande neurologiskt underskott samt försämrad livskvalitet. Det skulle gynna både patienter och samhället att minska dessa neurologiska skador. Ett kliniskt problem är att diagnosen cerebral ischemi hos SAH-patienter ofta är försenad på grund av begränsningar i övervakningsförmågan. När den upptäcks visar sig den neurologiska skadan ofta vara irreversibel.

Flera studier har använt univariat och multivariat logistisk regressionsanalys för att identifiera riskfaktorer för utveckling av fördröjd cerebral ischemi (DCI) hos patienter med subaraknoidal blödning. Dessa studier är dock baserade på data som samlats in om patienterna (t. ålder, kön), och precisionen i dessa statistiska modeller har i allmänhet visat sig vara låg. Nyligen har maskininlärningsalgoritmer för förutsägelse av DCI med en kombination av kliniska data och bilddata också utvärderats.

Förutsägelse av DCI förhindrar dock inte DCI, för att förhindra DCI behöver ett övervakningssystem utvecklas som kan varna läkare för överhängande risk för cerebral ischemi, vilket gör det möjligt att ingripa och förhindra cerebral ischemi.

Variationer i det autonoma nervsystemet, såsom förändringar i balansen mellan det sympatiska och det parasympatiska nervsystemet, kan upptäckas med hjälp av övervakning av hjärtfrekvensvariabilitet (HRV). HRV har rapporterats som en prediktor för dåligt utfall efter traumatisk hjärnskada och stroke, inklusive subaraknoidal blödning. HRV-övervakning för detektion av begynnande cerebral ischemi har dock inte utvärderats noggrant. I en studie av patienter med aSAH samlade vi in ​​HRV kontinuerligt i upp till 10 dagar efter inläggningen, men bara en liten del av HRV-data analyserades offline. Femton av 55 patienter utvecklade DCI under den akuta fasen, och off-line-analysen av HRV visade att låg-/högfrekvenskvoten ökade mer hos patienter som utvecklade DCI (Ref). Detta ledde till att vi försökte analysera all insamlad HRV med hjälp av maskininlärningsprocesser och ett samarbete med data-/datavetare inleddes.

Det övergripande syftet med denna studie är att, med hjälp av dator/datavetare och maskininlärningsprocesser, analysera insamlad HRV-data för att utvärdera om specifika mönster kunde hittas hos patienter som utvecklar DCI under den akuta fasen efter subaraknoidal blödning.