Acute injury profile of survivors with TBI as a powerful tool for personalized healthcare and critical decisions

Abstract

The scientific field of rehabilitation for traumatic brain injuries (TBI) has seen significant progress in recent years. However, substantial gaps remain, such as the lack of longitudinal studies that thoroughly analyze the consequences, the excessive reliance on the Glasgow Outcome Scale-Extended (GOSe) which overlooks the multidimensional effects of TBI, and the predominance of conventional statistical methods over more advanced analytical techniques. The present project undertook a comprehensive exploration into the study of factors that predict chronic and rehabilitation outcomes of TBI through three retrospective studies, leveraging data from The Brain Injury Neurorehabilitation Project (BRAIN-REHAB). The initial study compared four Machine Learning (ML) models to assess the risk of prolonged ICU stays due to TBI, with the Random Forest algorithm showing notable predictive balance (AUC=0.77). This study illuminated the predictive value of factors like body mass index (Predictor Importance = 0.47) and the Glasgow Coma Scale (Predictor Importance = 0.23)score, underscoring the complexity of TBI patient care. Subsequent research focused on predicting chronic neuropsychological outcomes (Emotional Function; Attention and Executive Function; Non Verbal / Complex Memory; Verbal Episodic Memory; Lexical Retrieval and Verbal Fluency; Global Outcome) post-TBI, employing a Random Forest Classifier (RFC) and highlighting the significance of genetic markers, sociodemographic factors, and acute clinical variables. This included discoveries around the impact of multiple polymorphisms (e.g. APOE, BCL2 and ANKK1 genes), body mass index and education.. The final preliminary study examined the efficacy of the cognitive rehabilitation program with the Categorization Program©, through a series of cases studies, demonstrating its success in improving verbal episodic memory, non-verbal memory, and verbal fluency. It pointed to factors like APOE polymorphism, age, education, length of stay in the ICU during the acute phase and the timing of rehabilitation as influential in recovery outcomes. The project's innovation and originality lay in the limited knowledge in the scientific literature regarding the power of acute injury profile and outcomes. The current project contributed to the creation of new knowledge by applying scientific and innovative neuroscience methodologies to facilitate the process of critical decision-making for the TBI population. The findings collectively advocate for a shift towards patient-centered care in TBI management, highlighting the importance of personalized healthcare strategies in improving patient outcomes and quality of life.

Το επιστημονικό πεδίο της αποκατάστασης των κρανιοεγκεφαλικών κακώσεων (ΚΕΚ) έχει γνωρίσει σημαντική πρόοδο τα τελευταία χρόνια. Ωστόσο, εξακολουθούν να υπάρχουν σημαντικά κενά, όπως η έλλειψη διαχρονικών μελετών που να αναλύουν εκτενώς τις συνέπειες των ΚΕΚ, η υπερβολική εξάρτηση στην κλίμακα Glasgow Outcome Scale-Extended (GOSe) που αγνοεί τις πολυδιάστατες επιπτώσεις των ΚΕΚ, καθώς και η επικράτηση των παραδοσιακών στατιστικών μεθόδων έναντι προηγμένων τεχνικών που αξιοποιούν μοντέλα τεχνητής νοημοσύνης. Μέσω τριών αναδρομικών μελετών, το παρόν έργο ακολουθεί μια ολοκληρωμένη διερεύνηση σε ό,τι αφορά την κατανόηση των παραγόντων που επιδρούν στην ανάκαμψη και αποκατάσταση των ΚΕΚ, αξιοποιώντας δεδομένα από το Ερευνητικό Έργο «The Brain Injury Neurorehabilitation Project» (BRAIN-REHAB). Η αρχική μελέτη συνέκρινε τέσσερα μοντέλα Machine Learning (ML) ώστε να αξιολογήσει τον κίνδυνο παρατεταμένης παραμονής στη Μονάδα Εντατικής Θεραπείας (ΜΕΘ) σε ασθενείς με ΚΕΚ, με τον αλγόριθμο Random Forest να δείχνει αξιοσημείωτη προγνωστική ισορροπία (AUC=0.77). Αυτή η μελέτη σημείωσε επίσης την προγνωστική αξία παραγόντων όπως του δείκτη μάζας σώματος (Predictor Importance=0.47) και της βαθμολογίας στην κλίμακα της Γλασκώβης (Predictor Importance=0.23), υπογραμμίζοντας την πολυπλοκότητα της φροντίδας ασθενών με ΚΕΚ. Η μετέπειτα έρευνα επικεντρώθηκε στην πρόβλεψη των χρόνιων νευροψυχολογικών εκβάσεων (Συναισθηματική λειτουργικότητα; Προσοχή και Εκτελεστικές λειτουργείες; Μη λεκτική / Σύνθετη μνήμη; Λεκτική επεισοδιακή μνήμη; Λεκτική ανάκληση και λεκτική ευχέρεια; Γενική έκβαση) που εμφανίζονται μετά την ΚΕΚ. Η έρευνα διεξήχθη χρησιμοποιώντας των αλγόριθμο Random Forest Classifier (RFC) και τονίζοντας τη σημασία των γενετικών δεικτών, των δημογραφικών παραγόντων και των οξέων κλινικών μεταβλητών. H έρευνα επεσήμανε το σημαντικό αντίκτυπο των πολυμορφισμών γονιδίων όπως APOE, BCL2 και ANKK1 όπως και τον σημαντικό αντίκτυπο του δείκτη μάζας σώματος και του εκπαιδευτικού επιπέδου στις επίμονες χρόνιες επιπτώσεις της κάκωσης. Η τελική μελέτη εξέτασε την αποτελεσματικότητα του προγράμματος γνωστικής αποκατάστασης «Πρόγραμμα Κατηγοριοποίησης (Categorization Program ©)» μέσω εξέτασης ατομικών περιστατικών και κατέδειξε την επιτυχία του στη βελτίωση της λεκτικής επεισοδιακής μνήμης, της μη λεκτικής μνήμης και της λεκτικής ευχέρειας. Επεσήμανε παράλληλα παράγοντες οι οποίοι έδειξαν να επηρεάζουν τα αποτελέσματα της ανάρρωσης όπως ο πολυμορφισμός του γονιδίου APOE, η ηλικία, η εκπαίδευση, η διάρκεια παραμονής στη ΜΕΘ κατά την οξεία φάση και η χρονική στιγμή έναρξης της αποκατάστασης. Η καινοτομία και η πρωτοτυπία του έργου έγκεινται στην περιορισμένη γνώση της επιστημονικής βιβλιογραφίας σχετικά με τις δυνατότητες του αρχικού προφίλ της κάκωσης στην πρόβλεψη των χρόνιων επιπτώσεων. Το τρέχον έργο συνέβαλε στη δημιουργία νέας γνώσης με την εφαρμογή επιστημονικών και καινοτόμων νευροεπιστημονικών μεθοδολογιών στα πλαίσια της διαδικασίας λήψης κρίσιμων αποφάσεων για τον πληθυσμό με ΚΕΚ. Τα συλλογικά ευρήματα υπερασπίζουν την στροφή προς τη φροντίδα με επίκεντρο τον ασθενή, υπογραμμίζοντας τη σημασία των εξατομικευμένων στρατηγικών περίθαλψης και αποκατάστασης για τη βελτίωση των ασθενών και της ποιότητας ζωής τους.