Új lehetőség a hosszú távú altatásban részesülő gyermekek ellátásában

Az innováció és a klinikai gyakorlat sikeres összekapcsolásáért rangos elismerést kapott az SZTE gyermekintenzív csapata: Dr. Pásztor Pál és kutatócsoportja Innovációs Díjat és Proof of Concept támogatást nyert a DoseLearn projekttel. A fejlesztés célja, hogy biztonságosabbá és személyre szabottabbá tegye a hosszú távú altatásból való leszoktatást a súlyos állapotú gyermekek ellátásában.

Az altatás árnyoldalai a gyermekintenzív ellátásban

Az intenzív osztályon kezelt súlyos állapotú gyermekek gyakran igényelnek altatást és erős fájdalomcsillapítást gépi lélegeztetés vagy egyéb, fájdalmas beavatkozások során.

„A probléma az, hogy az altatókhoz és fájdalomcsillapítókhoz akár két nap alatt is hozzászokás alakulhat ki, tolerancia jön létre, és egy ördögi kör indul el. Ilyenkor emelni kell a dózist, mert a gyógyszerek egyre kevésbé hatékonyak. Sok esetben elvonási szindróma vagy delírium jelentkezik, ami kedvezőtlenül befolyásolja a betegek állapotát” – ismertette az alapvető problémát Dr. Pásztor Pál bronchológus szakorvos, az SZTE SZAOK Gyermekgyógyászati Klinika Gyermekintenzív Osztályának osztályvezető-helyettese.

Az altatókhoz és fájdalomcsillapítókhoz való hozzászokás mérséklése a gyermekintenzív ellátás egyik világszerte is kiemelt szakmai kihívása, amelyre a kutatók folyamatosan keresik a hatékony megoldásokat. Amikor a gyermekgyógyász Angliából hazatért, szembesült azzal, hogy a szegedi klinikán is komoly nehézségeket okoz ez a probléma.

Gépi tanulással támogatott, személyre szabott leszoktatás

„A célom, hogy találjunk egy olyan rendszert, amely segít a gyerekek minél gyorsabb és kíméletesebb leszoktatásában az említett szerekről. A projekt már nyolc éve tart: teljesen új alapokra helyeztük az altatást, a hosszú távú fájdalomcsillapítást, protokollt írtunk, nemzetközi ajánlások alapján score rendszereket vezettünk be. Már ezek hatalmas eredmények, azonban mi egy lépéssel tovább mentünk. Ezen eredményekre támaszkodva létrehoztunk egy machine learning (ML) alapú predikciós rendszert. Ez a modell, az eddig rendelkezésünkre álló adatok alapján ad predikciót arra vonatkozóan, hogy az adott beteg számára mi lesz a leggyorsabb, legideálisabb leszoktatási ütem, előzetes eredményeink szerint jelentősen csökkentve a leszoktatási időt" – beszélt a munkájukról Dr. Pásztor Pál.

A vizsgálat során az elmúlt öt év adatait elemezték, a szegedi gyermekklinikán altatásban részesült valamennyi beteg bevonásával. Az adatok feldolgozása rámutatott arra, hogy a leszoktatás időtartamára vonatkozó korábbi becslések jelentős eltérést mutattak a tényleges klinikai gyakorlathoz képest. Az eddigi eredmények alapján a fejlesztett rendszer minden eddiginél pontosabb előrejelzést tehet lehetővé.

A kutatócsoport várakozásai szerint ennek köszönhetően csökkenhet mind a gyógyszerek fokozatos elhagyásához szükséges idő, mind pedig az intenzív osztályon töltött idő hossza. A következő fázisban az elkészült alkalmazást több intézmény bevonásával validálnák, annak igazolására, hogy a rendszer különböző beteganyagokon is megbízhatóan működik.

Szakmai együttműködés és adatvezérelt jövő

A projekt vezetője kiemelte, hogy a fejlesztés sikerében meghatározó szerepet játszott az intenzív osztály teljes szakmai csapata, különös tekintettel az ápolók munkájára. Hangsúlyozta továbbá Dr. Gál Péter támogatását, aki vezetőként teret biztosított az innováció számára, valamint szakmai tanácsaival a kezdetektől segítette – és jelenleg is segíti – a kutatást.

A projekt szakmai irányítását Dr. Rácz Tímeával és Dr. Bukva Mátyással közösen látták el. A kutatócsoport célja, hogy a leszoktatást támogató alkalmazás elkészülését követően a megoldást más osztályokon is bevezessék, és egy multicentrikus kutatási platformot hozzanak létre, amelybe több intézményből érkeznének anonim betegadatok.

A gyermekintenzív ellátás területén jellemzően nehéz nagy elemszámú adatbázist kialakítani, azonban amennyiben a rendszer öt-hat vagy ennél több osztályon is működni tudna, rövid időn belül akár több ezer esetre kiterjedő adatgyűjtés válhatna lehetővé. Ez a további kutatások statisztikai erejét nemzetközi szinten is jelentősen növelhetné.