Pålitlig artificiell intelligens för förbättring av strokeresultat (TRUSTroke)

Stroke är en ledande orsak till dödsfall och funktionshinder över hela världen. Den kliniska valideringen av förklarliga och tolkbara lösningar för artificiell intelligens (AI) för att hjälpa en snabb, personlig hantering av den akuta fasen av stroke, skulle ha stor inverkan eftersom det avsevärt kan minska patienters funktionsnedsättningsnivåer. Dessutom är förutsägelsen av långsiktiga utfall en avgörande faktor eftersom det kan avgöra avgörande beslut, såsom utskrivningsdestinationen för patienten. Dessutom har överensstämmelse med riktlinjebaserad sekundär strokeprevention visat sig minska återfall av stroke, men för närvarande är endast 40 % av patienterna anslutna till förebyggande behandlingar 3 månader efter stroke. Därför kan patienternas resultat förbättras med lämpliga paket för patientkommunikation och engagemang. AI kan ha en dramatisk inverkan på strokepatientens resa, förbättra förutsägelser, vilket resulterar i ett bättre val av sekundära strokestrategier, samt använda evidensbaserad information för att främja bättre följsamhet till behandling och minskning av vaskulära riskfaktorer.

Syftet med denna multicenter observationella prospektiva studie är att utveckla och validera AI-baserade verktyg för att förutsäga kort- och långtidsutfall hos ischemiska strokepatienter. Specifikt syftar denna studie till att demonstrera noggrannheten hos AI-modeller för att förutsäga det funktionella resultatet av ischemiska strokepatienter mätt med NIHSS (0-42) och mRS (0-6) poäng vid sjukhusutskrivning och vid 3, 6 och 12 månader efter utskrivning. Prospektiva ischemiska strokepatienter från 3 stora europeiska centra kommer att rekryteras. Träning och testning av lokala AI-modeller kommer att utföras med hjälp av sjukhusinläggningsdata, insamlade under standardvårdsprocedurerna för strokepatienter, och poliklinisk övervakad data från ett fjärrstyrt hemvårdssystem (NORA-app) under uppföljningen efter utskrivning. Dessa lokala modeller kommer sedan att integreras i ett federerat lärandesystem, där endast en global AI-modell, härledd från kombinerade insikter från alla lokala modeller, delas mellan deltagande sjukhus. De enskilda lokala modellerna och originaldata delas inte, vilket säkerställer datasekretess och säkerhet. Noggrannheten och prestandan hos prospektivt optimerade AI-modeller för att förutsäga kliniska resultat under en 12-månaders uppföljningsperiod kommer att utvärderas och jämföras med de faktiska resultaten för patienterna.