蛛网膜下腔出血中的人工智能 (AISAH)

约 30% 的动脉瘤性蛛网膜下腔出血 (aSAH) 患者会出现迟发性脑缺血 (DCI)。 DCI 与死亡率增加、持续性神经功能缺损以及生活质量受损有关。 减少这些神经损伤对患者和社会都有好处。 一个临床问题是 SAH 患者脑缺血的诊断常常由于监测能力的限制而被延迟。 一旦被发现，神经损伤往往是不可逆转的。

一些研究使用单变量和多变量逻辑回归分析来确定蛛网膜下腔出血患者发生迟发性脑缺血 (DCI) 的危险因素。 然而，这些研究是基于收集到的关于患者的数据（例如 年龄、性别），而且这些统计模型的精确度普遍较低。 最近，还评估了结合临床和图像数据预测 DCI 的机器学习算法。

然而，预测DCI并不能预防DCI，预防DCI需要开发一个监测系统，可以警告医生即将发生脑缺血的风险，从而使干预和预防脑缺血成为可能。

可以通过使用心率变异性 (HRV) 监测来检测自主神经系统的变化，例如交感神经系统和副交感神经系统之间的平衡变化。 据报道，HRV 是创伤性脑损伤和中风（包括蛛网膜下腔出血）后预后不良的预测指标。 然而，用于检测早期脑缺血的 HRV 监测尚未得到彻底评估。 在一项针对 aSAH 患者的研究中，我们在入院后长达 10 天内连续收集了 HRV，但仅对一小部分 HRV 数据进行了离线分析。 55 名患者中有 15 名在急性期发生 DCI，并且 HRV 的离线分析显示发生 DCI 的患者的低频/高频比增加更多（参考文献）。 这促使我们尝试在机器学习过程的帮助下分析所有收集到的 HRV，并启动了与计算机/数据科学家的合作。

本研究的总体目标是，在计算机/数据科学家和机器学习过程的帮助下，分析收集到的 HRV 数据，以评估是否可以在蛛网膜下腔出血后急性期发生 DCI 的患者中发现特定模式。