Optimera diagnostik för akut ischemisk stroke med hjälp av artificiell intelligens (AI-STROKE)

Trombektomi vid akut ischemisk stroke är mycket effektivt och kostnadseffektivt. Från och med idag har för få patienter tillgång till trombektomi. Det finns ett akut behov av att förbättra diagnostiken så att alla berättigade strokepatienter får sin ocklusion upptäckt tillräckligt snabbt och erbjuds trombektomi vid indikation. Maskininlärningsbaserade avbildningstekniker har nyligen visat sig ge förbättrad diagnostik med automatiserade metoder för detektering av kärlocklusion och ischemiska lesioner med hjälp av artificiell intelligens. Vi kommer att utföra en prospektiv interventionsstudie på patienter med akut ischemisk stroke med syftet att organisera och förenkla vårdvägen genom ett pragmatiskt tillvägagångssätt för avbildning av akut stroke som drivs av banbrytande framsteg inom bildbehandling och artificiell intelligens. Genom att använda multifas CT-angiografi och programvara vid två primära strokecenter kommer nyttan av automatisk utvärdering av bilder att jämföras med standardvård. Alla bilder kommer parallellt att bedömas av neuroradiologer på det omfattande strokecentret.

Huvudsyftet är att organisera och förenkla vårdvägen till avbildning av akut stroke som drivs av banbrytande framsteg inom bildbehandling och artificiell intelligens.

De sekundära målen är att bedöma: 1) den diagnostiska noggrannheten av mCTA vid detektion av kärlocklusion vid ischemisk stroke med hjälp av AI-baserade analysverktyg jämfört med guldstandarden för MRI, 2) procentandelen kvalificerade patienter som får EVT med AI-baserad analys jämfört till standardvårdsdiagnostik 3) tid från debut till rekanalisering och 4) funktionellt utfall hos patienter med akut ischemisk stroke som behandlats med EVT som hade sin initiala radiologiska diagnos med hjälp av AI-baserade bildanalysverktyg jämfört med strokepatienter som diagnostiserades av standardvård.

Hypoteser: Nya AI-baserade bildanalysverktyg som tillämpas på redan tillgängliga standard CT-baserade avbildningstekniker kan a) förbättra akut strokediagnostik och b) öka antalet patienter som behandlas med EVT.

Huvudsyftet med projektet är att organisera och förenkla vårdvägen genom ett pragmatiskt förhållningssätt till avbildning av akut stroke som drivs av banbrytande framsteg inom bildbehandling och artificiell intelligens.

Sekundära mål:

1. Att bedöma om användningen av AI-baserade bildanalysverktyg inom radiologisk diagnostik i primära strokecenter kan minska tiden från debut till rekanalisering hos patienter med akut ischemisk stroke som behandlas med EVT.
2. Att bedöma den diagnostiska noggrannheten av mCTA vid upptäckt av ischemisk stroke med medelstor och stor kärlocklusion med hjälp av AI-baserade analysverktyg jämfört med bedömning av guldstandarden för MRI (DWI och MR Angiografi) bedömd av neuroradiologer.
3. Att bedöma den diagnostiska noggrannheten av mCTA vid upptäckt av ischemisk stroke med medelstor och stor kärlocklusion med hjälp av AI-baserade analysverktyg jämfört med bedömning av standardvård.
4. För att bedöma om användningen av tillgängliga AI-baserade analysverktyg tillämpade på mCTA kan öka antalet strokepatienter som är berättigade till och erbjuds EVT.
5. Att jämföra funktionellt utfall och patientrelaterade utfallsmått 3 månader efter EVT hos strokepatienter som fått sin initiala radiologiska diagnos med hjälp av AI-baserade bildanalysverktyg med strokepatienter som diagnostiserats av standardvård.

Slutpunkter:

Primära slutpunkter:

- Tid från start av CT-skanning av patienter på närsjukhuset till radiologisk diagnostik hos akuta strokepatienter med LVO och MeVO i perioder med användning av AI-mjukvara jämfört med perioder med standardvård.

Sekundära slutpunkter:

• Tid från start av CT-skanning av patienter på närsjukhuset till start av trombektomi hos patienter identifierade med LVO och MeVO i perioder med användning av AI-mjukvara jämfört med perioder med standardvård.
• Tid från symtomdebut till start av trombektomi hos patienter identifierade med LVO och MeVO i perioder med användning av AI-mjukvara jämfört med andelen patienter som identifierats med LVO och MeVO som diagnostiserats av standardvård.
• Andel patienter som identifierats med LVO och MeVO i perioder med användning av AI-programvara jämfört med andelen patienter som identifierats med LVO och MeVO som diagnostiserats av standardvård.
• Andel patienter som identifierats med LVO och MeVO i perioder med användning av AI-mjukvara jämfört med bedömning av neuroradiologer.
• Andel patienter som behandlats med trombektomi i MeVO i perioder med användning av AI-programvara jämfört med andel patienter som identifierats med LVO och MeVO diagnostiserade av standardvård.
• Funktionellt utfall 3 månader efter EVT hos strokepatienter som hade sin initiala radiologiska diagnos med hjälp av AI-baserade bildanalysverktyg jämfört med strokepatienter diagnostiserade av standardvård.
• Patientrelaterade utfall mäter 3 månader efter EVT hos strokepatienter som hade sin initiala radiologiska diagnos med hjälp av AI-baserade bildanalysverktyg jämfört med strokepatienter som diagnostiserades av standardvård.

Föreliggande studie är en del av en prospektiv observationsstudie av trombektomitjänsten med samarbete mellan strokeenheter och radiologiska avdelningar vid primära och omfattande strokecenter - Oslo Acute Revascularization Stroke Study (OSCAR) (REK 2015/1844, EudraCT nummer 2018-004691- 36). Data har redan samlats in sedan januari 2017 från patienter som behandlats med EVT vid Oslo Universitetssjukhus och av nästan 1100 patienter som behandlats med EVT har inkluderats. Databasen innehåller detaljerad information om logistik, transport, kliniska, radiologiska data och behandling inklusive rehabilitering från baslinjen till 3 månaders uppföljning registreras prospektivt.

Studien kommer att inledas med en 12-månadersperiod med registrering innan implementeringen av AI-mjukvaran. Data från denna period och från OSCAR-studien kommer att jämföras med data som samlats in efter implementeringen av AI-mjukvaran. Vi kommer att starta studien på Drammen Hospital och kommer att genomföra den i följd på de andra sjukhusen i Vestre Viken Hospital Trust och Østfold Hospital Trust. Data kommer att registreras i minst 18 månader efter implementeringen av AI-programvaran. Längden på inkluderingsfasen kommer att justeras enligt inkluderingsgraden.