Umělá inteligence pro upřednostňování genetického pozadí u syndromu Brugada (AI4Cardio)

Brugadův syndrom (BS) je dědičná srdeční elektrická porucha, která může způsobit synkopu a náhlou srdeční zástavu u mladých asymptomatických jedinců. Předpokládá se, že přispívá ke 4–12 % případů náhlé srdeční smrti v běžné populaci. Diagnostika se opírá o identifikaci EKG typu I charakterizovaného elevací ST segmentu s vyklenutou morfologií v pravých prekordiálních svodech. Prevalence v západních zemích se odhaduje na 1:5000. V současné době je implantace kardioverteru defibrilátoru (ICD) jedinou možností léčby, ale pokyny pro stratifikaci rizika zůstávají neúplné, zejména u asymptomatických jedinců.

BS se dědí jako autozomálně dominantní vlastnost s neúplnou penetrací. Zatímco 23 genů bylo spojeno s náchylností k BS, 70 % pacientů zůstává geneticky necharakterizovaných, což svědčí o složitějším vzoru dědičnosti. Genetika nebyla začleněna do pokynů pro stratifikaci rizika, navzdory důkazům spojujícím určité genetické varianty s vyšším arytmickým rizikem. Tato mezera ve znalostech podtrhuje důležitost rozšíření našeho chápání genetiky BS pro zvýšení diagnostické citlivosti a managementu pacientů.

Tento protokol staví na předběžných údajích ze studie udělené italským ministerstvem zdravotnictví (GR-2016-02362316), ve které bylo sekvenování nové generace (NGS) použito k prozkoumání celých kódujících oblastí (Whole Exome Sequencing_WES) 200 pacientů s BS. . Cílem studie bylo identifikovat nové kandidátní geny BS a charakterizovat genetický základ stavu.

Kohorta byla vybrána na základě přítomnosti EKG typu I, potvrzeného buď spontánně, nebo indukovaného flekainidem nebo ajmalinem. Pacienti podstoupili důkladná kardiologická vyšetření, aby se vyloučila jiná onemocnění. Sledování zahrnovalo roční hodnocení a častější hodnocení u pacientů s vyšším rizikem komorové tachykardie.

Velké množství genetických variant bylo identifikováno využitím WES, což vedlo k použití umělé inteligence (AI) k upřednostnění sekvenačních dat. Techniky umělé inteligence, včetně pokročilých algoritmů a strojového učení, mohou zefektivnit identifikaci potenciálně nemocných genetických variací odfiltrováním běžných variant, předpovídáním patogenity a integrací klinických dat.

Vzhledem k tomu, že více než 70 % pacientů s BS zůstává geneticky nediagnostikováno, jsou vysoce výkonné sekvenační přístupy klíčové pro komplexní pochopení genetiky BS. Tato studie si klade za cíl přispět k identifikaci nových genetických faktorů a zlepšit stratifikaci rizika pro postižené pacienty. Všechna data o sekvenování pro tento projekt byla vygenerována a budou analyzována pomocí AI, aniž by museli být zařazeni nebo sekvenováni žádní další pacienti.