Μηχανική μάθηση για πρόβλεψη θνητότητας και νοσηρότητας μετά από Τραυματική Κάκωση Εγκεφάλου (ΤΚΕ)

  • MSc
  • Database management, Java/Python programming
  • Machine learning toolkit
  • George Giannakopoulos
  • ggianna [at] iit.demokritos.gr
  • The AI Lab

H παρούσα έρευνα γίνεται με τη συνεπίβλεψη και συμμετοχή της νευροχειρουργικής κλινικής του Πανεπιστημιακού Γενικού Νοσοκομείου Ηρακλείου (ΠΑΓΝΗ).
Η Τραυματική Κάκωση Εγκεφάλου (ΤΚΕ) αποτελεί σημαντικό πρόβλημα δημόσιας υγείας. Σύμφωνα με τον WHO, οι Τραυματικές Κακώσεις του Εγκεφάλου (ΤΚΕ) θα αποτελούν την κύρια αιτία θανάτου και αναπηρίας μετά το 2020. Επιπρόσθετα, ασθενείς με ήπια και μέτρια ΤΚΕ μπορεί να αναπτύξουν σημαντικά γνωστικά προβλήματα στο μέλλον. Η πρώιμη αναγνώριση αυτών είναι χρήσιμη προς επιλογή των ασθενών με κίνδυνο ανάπτυξης αναπηριών και αποτελεσματικότερης διαχείρισής τους, με πιθανή πρώιμη εφαρμογή φαρμακευτικής και υποστηρικτικής αντιμετώπισης.
Η Νευροχειρουργική κλινική του ΠΑΓΝΗ υποδέχεται κάθε χρόνο μεγάλο αριθμό ασθενών με ΤΚΕ, λόγω της σημαντικής επίπτωσης του τραύματος στην περιοχή ευθύνης του νοσοκομείου.
Στην παρούσα μελέτη θα επιχειρηθεί να διερευνηθεί η κατασκευή ενός πολυδιάστατου μοντέλου πρόγνωσης της έκβασης ασθενών με ΤΚΕ. Μεταξύ άλλων οι παράμετροι που θα συμπεριληφθούν για κάθε ασθενή θα είναι η ηλικία και άλλα επιδημιολογικά χαρακτηριστικά, οι συγκεντρώσεις στο αίμα νευρο-βιοδεικτών και δεικτών συστηματικής φλεγμονής, οι βαθμολογίες σε κλίμακες κλινικής και νευρολογικής εκτίμησης, οι τιμές ζωτικών σημείων, η ύπαρξη ή η απουσία ειδικών νευρολογικών σημείων, ο μηχανισμός κάκωσης και τα ακτινολογικά ευρήματα σε απεικόνιση με αξονική τομογραφία εγκεφάλου.
Το πρόβλημα, το οποίο επιχειρείται να λυθεί είναι επίκαιρο, με σημαντικές συνέπειες, αφορά μεγάλο μέρος του πληθυσμού και έχει ευρεία κοινωνική και οικονομική επίδραση. Ακόμη και μια μικρή μείωση της νοσηρότητας και της θνητότητας θα έχει τεράστιες επιπτώσεις στη Δημόσια Υγεία.

Ενδεικτική σχετική βιβλιογραφία

-Amorim RL, Oliveira LM, Malbouisson LM, Nagumo MM, Simoes M, Miranda L, Bor-Seng-Shu E, Beer-Furlan A, De Andrade AF, Rubiano AM, Teixeira MJ, Kolias AG, Paiva WS. Prediction of Early TBI Mortality Using a Machine Learning Approach in a LMIC Population. Front Neurol. 2020 Jan 24;10:1366. doi: 10.3389/fneur.2019.01366. PMID: 32038454; PMCID: PMC6992595.
-Matsuo K, Aihara H, Nakai T, Morishita A, Tohma Y, Kohmura E. Machine Learning to Predict In-Hospital Morbidity and Mortality after Traumatic Brain Injury. J Neurotrauma. 2020 Jan 1;37(1):202-210. doi: 10.1089/neu.2018.6276. Epub 2019 Sep 18. PMID: 31359814.
-Huie JR, Almeida CA, Ferguson AR. Neurotrauma as a big-data problem. Curr Opin Neurol. 2018 Dec;31(6):702-708. doi: 10.1097/WCO.0000000000000614. PMID: 30379703; PMCID: PMC7075373.

Skip to content