Sztuczna inteligencja i skale prognostyczne w medycynie ratunkowej

Rozwój technologii i metod analitycznych pozwolił na stworzenie zaawansowanych modeli predykcyjnych, które mogą szybko i dokładnie ocenić rokowanie pacjentów po zatrzymaniu krążenia. Te narzędzia mają potencjał znacznego poprawienia zarządzania klinicznego w oddziałach ratunkowych1.

Model SCARS

Model SCARS (Survival and Cerebral performance after Resuscitation Score) może w ciągu 15 sekund oszacować prawdopodobieństwo przeżycia i funkcji neurologicznych u pacjentów z zatrzymaniem krążenia poza szpitalem podczas trwającej resuscytacji w oddziale ratunkowym1.

Model wykorzystuje od pięciu do dziesięciu łatwo dostępnych zmiennych, takich jak: przywrócenie spontanicznego krążenia (ROSC), świadomość w oddziale ratunkowym, użycie adrenaliny, sposób prezentacji początkowej oraz wiek pacjenta. Te zmienne pozwalają na dostarczenie klinicystom kluczowych informacji podczas trwającej resuscytacji2.

Skala GO-FAR

Dla zatrzymania krążenia wewnątrzszpitalnego najlepszą skuteczność wykazuje skala GO-FAR, która osiąga obszar pod krzywą ROC wynoszący 0,78 w porównaniu do 0,59 dla skali PAM i 0,62 dla skali PAR3. GO-FAR wykazuje najlepszą skuteczność podczas walidacji w populacjach zewnętrznych i jest obecnie najbardziej wiarygodnym i przetestowanym modelem3.

Sztuczne sieci neuronowe

Modele wykorzystujące sztuczne sieci neuronowe (ANN) wykazują doskonałą zdolność przewidywania powrotu do zdrowia neurologicznego i przewyższają konwencjonalne modele oparte na regresji logistycznej4. Wśród danych dostępnych w momencie hospitalizacji, czynniki związane z okresem przedszpitalnym niosą najwięcej informacji prognostycznych4.

Ogólny model ANN oparty na wszystkich 54 zmiennych dostępnych przy przyjęciu wykazuje doskonałą zdolność przewidywania wyników z obszarem pod krzywą ROC wynoszącym 0,8915. Nawet uproszczony model używający tylko trzech najważniejszych niezależnych czynników (wiek, czas do ROSC i pierwszy monitorowany rytm) osiąga doskonałą zdolność predykcyjną z AUC 0,8525.

Zalety modeli AI: Sztuczna inteligencja może analizować jednocześnie dziesiątki zmiennych i wykrywać skomplikowane wzorce, które mogą umknąć tradycyjnej analizie statystycznej, zapewniając bardziej precyzyjne prognozy.

Zastosowanie kliniczne

Solidne i proste skale prognostyczne używane jako praktyczne narzędzie wspierające oceny kliniczne prawdopodobnie poprawiłyby ogólną opiekę nad pacjentami po zatrzymaniu krążenia, kierując bardzo zaawansowane i potencjalnie wysokoryzykowne inwazyjne leczenie do tych pacjentów, którzy mogą z niego skorzystać5.

Prawdopodobieństwa czasozależne przeżycia i korzystnego wyniku funkcjonalnego u pacjentów oczekujących na pierwsze ROSC w każdej minucie trwania resuscytacji dostarczają zespołom ratunkowym, pacjentom i ich rodzinom wglądu w prawdopodobieństwo korzystnych wyników, jeśli pacjent będzie nadal otrzymywał resuscytację6.

Ograniczenia obecnych modeli

Większość opublikowanych modeli prognostycznych ma umiarkowane ryzyko błędu systematycznego i nie została zwalidowana zewnętrznie3. Wyzwaniem pozostaje identyfikacja markerów o najwyższej swoistości i najniższym współczynniku fałszywie pozytywnych wyników, aby zminimalizować możliwość błędnej prognozy7.

Ważne: Modele predykcyjne są narzędziami wspierającymi, ale nie zastępują klinicznej oceny lekarza. Zawsze powinny być interpretowane w kontekście pełnego obrazu klinicznego pacjenta.

Przyszłość modeli predykcyjnych

Znaczenie funkcjonalnego rezonansu magnetycznego w spoczynku musi zostać potwierdzone w prospektywnych badaniach wieloośrodkowych w celu określenia jasnych algorytmów prognostycznych dla pacjentów w śpiączce po zatrzymaniu krążenia na wczesnym etapie8. Wyniki wskazują na diagnostyczną i prognostyczną wartość wczesnego fMRI u pacjentów w śpiączce po zatrzymaniu krążenia i udanej resuscytacji8.

Pytania i odpowiedzi

Jak szybko model SCARS może ocenić rokowanie?

Model SCARS może oszacować prawdopodobieństwo przeżycia i funkcji neurologicznych w ciągu 15 sekund podczas trwającej resuscytacji.

Która skala jest najlepsza dla zatrzymania krążenia w szpitalu?

Dla zatrzymania krążenia wewnątrzszpitalnego najlepszą skuteczność wykazuje skala GO-FAR z AUC 0,78.

Czy sztuczna inteligencja jest lepsza od tradycyjnych metod?

Tak, modele wykorzystujące sztuczne sieci neuronowe przewyższają konwencjonalne modele oparte na regresji logistycznej.

Ile zmiennych potrzebuje model do dobrej prognozy?

Nawet trzy najważniejsze zmienne (wiek, czas do ROSC, pierwszy rytm) mogą zapewnić doskonałą zdolność predykcyjną.

Reklama
Reklama