AI-styrd prediktion och behandling av hjärtstopp

Plötsligt hjärtstopp (SCA) förblir en stor dödsorsak i USA. Trots betydande ansträngningar för att förbättra återupplivningsresultaten förblir överlevnaden låg. Dessutom är SCA ofta den första manifestationen av underliggande hjärtsjukdom, varefter överlevande vanligtvis drabbas av sekundär kronisk hjärt-kärlsjukdom och neurologisk sjukdom på grund av den primära skadan. Återupplivning från SCA initieras hos patienter som lider av livshotande arytmier, vanligtvis ventrikulär takykardi/fibrillering (VT/VF) eller pulslös elektrisk aktivitet (PEA), som om den lyckas följs av återgång av spontan cirkulation (ROSC). Detta följs dock vanligtvis av upprepade återstopp på grund av antingen VT/VF, PEA eller asystoli. Viktigt är att mekanismerna för VT/VF och PEA skiljer sig avsevärt, och protokolliserade, icke-riktade behandlingar kan försämra resultaten. För närvarande initieras behandlingar vanligtvis efter att återstopp har inträffat och utan hänsyn till en enskild patients unika personliga eller arrestkarakteristika, faktorer som är kända prediktorer för hjärtstoppsresultat. Senaste studier har visat att ett snabbare och mer riktat behandlingssvar (dvs. kortare tid till behandling med återstoppstypsspecifik behandling) för hjärtstopp kan avsevärt förbättra överlevnad och nedströms kroniska sekvelefter SCA. Därför skulle förmågan att förutsäga hjärtstopp eller återstoppsförekomst och orsak (dvs. VT/VF och PEA) kunna vägleda tidig personanpassad terapi och i slutändan förbättra återupplivningsresultat, vilket är det långsiktiga translationsmålet för detta arbete. Dessutom kan tidig intervention vara avgörande i landsbygdssamhällen, där transporttider till slutgiltig sjukhusvård är långa och resurser är begränsade.

I pågående arbete har forskarna nyligen observerat i akutsjukvårdspatienter (EMS) att tillägg av kliniska parametrar (t.ex. ålder, primär arresttyp) till funktioner härledda från EKG T-vågen i en maskininlärningsmodell (ML) förbättrar prediktionsnoggrannheten för VT/VF och PEA (>90%). Forskarna föreslår en genomförbarhetsstudie av ML-styrd prediktion av återstopp. Den övergripande hypotesen är att en EKG-biomarkör, kombinerad med kliniska egenskaper, kan förutsäga återstopp och dess orsak (VT/VF eller PEA), vilket kommer att avsevärt förbättra tiden till behandling och hjärtstoppets akuta och kroniska resultat. Forskarna hypoteserar vidare att sådan teknik lätt kan anammas och framgångsrikt implementeras av akutinsatser. Forskarna planerar två sammankopplade kliniska prövningar, en observationsprövning i simulerat hjärtstopp och en andra observationsprövning i EMS-patienter. Följande specifika mål kommer att testa dessa hypoteser.

Mål 1. Bestäm slutanvändarprestanda och tillfredsställelse med en helt automatiserad ML-styrd återstoppsprediktionsenhet med simulerade hjärtstoppscenarier. Akutvårdspersonal, i simulerade realtidsåterupplivningsscenarier med verkliga återstopps-EKG-inspelningar kommer att studeras för att identifiera hinder och underlättare för teknikimplementering och anammande, samt personalens tillfredsställelse och interventionens upplevda värde. Detta kommer att uppnås genom att bestämma personalens prestationsmått (t.ex. initiera ML-styrda terapier) och använda kvalitativa verktyg för att bedöma slutanvändarens engagemang, förtroende och upplevd nytta. Dessa studier kommer att ge grundläggande data för implementering och skalbarhet av tekniken för både en klinisk prövning och vägledning för framtida FDA och regulatoriskt godkännande.

Mål 2. Testa noggrannheten hos en flerklassig ML-modell för realtidsprediktion av återstoppsförekomst och dess typ (VT/VF vs. PEA) och påverkan på tiden till behandling, i en observationsstudie av hjärtstoppspatienter. Genom att utnyttja ett pågående samarbete med Cleveland och samhälls-EMS kommer forskarna att rekrytera EMS-hjärtstoppspatienter och observera förekomsten av återstopp i en konceptbevisande observationsvalideringsstudie. Noggrannheten hos den helt automatiserade ML-modellen för att förutsäga återstopp och dess typ kommer att bestämmas, men behandlingsvägledning kommer inte att testas denna gång. Personal kommer att vara blindad för ML-utdata, och ML kommer inte att styra behandling. Offline kommer prediktionsnoggrannhet och beräknad tid till ML-styrt behandlingsbeslut att jämföras med faktisk återstoppstyp och behandlingstid. Dessa resultat kommer att ge preliminära säkerhets- och noggrannhetsresultat, urvalsstorleksuppskattningar och rekryterings- och informerat samtyckeprocesser för en framtida randomiserad kontrollerad klinisk prövning för att testa ML-styrda återstoppsbehandlingar.