Klinisk resultatmodellering av snabb dynamik vid akut stroke

Stroke - fortfarande den näst vanligaste dödsorsaken och huvudorsaken till neurologisk funktionsnedsättning hos vuxna i västvärlden - kännetecknas av snabba förändringar över tid och markant variation i utfall. En patient kan förbättras eller försämras under några minuter, och den resulterande funktionsnedsättningen kan variera från en uppenbar fullständig förlamning till subtil, uppgiftsberoende inkoordinering av en enskild lem.

Till skillnad från många andra neurologiska sjukdomar kan stroke vara utomordentligt känsligt för snabb och intelligent skräddarsydd behandling, vilket belönar innovation i tillhandahållande av vård med verkliga, påtagliga effekter på patientresultat. Optimal behandling kräver därför både detaljerad karaktärisering av patientens kliniska bild och dess förändringsmönster över tid.

Förmodligen är den viktigaste aspekten av patientens kliniska bild - kroppsrörelse - fortfarande anmärkningsvärt dåligt dokumenterad: kvantifieras endast subjektivt och med sällsynta intervall i patientens kliniska utveckling. Kombinationen av artificiell intelligens med högpresterande beräkningar möjliggör nu automatisk extraktion av en patients skelettram löst ner till större leder, som den hos en stick-man, för att levereras enkelt, säkert och billigt, utan användning av besvärliga kroppsburna markörer. Centralt för denna teknik är patientens integritet, med skelettramen extraherad i realtid, vilket säkerställer att ingen videodata, från vilken patienter kan identifieras, lagras eller överförs av enheten.

Vårt system för rörelsekategorisering - MoCat - kommer att användas för att studera den snabba dynamiken hos akut stroke, sömlöst inbäddad i den kliniska strömmen. Genom att kvantifiera förändringen i motoriskt underskott över tid ska vi undersöka sambandet mellan dessa banor med kliniska resultat och utveckla prediktiva modeller som kan stödja klinisk hantering och optimera tjänsteleveransen.