Studie hodnocení funkce dětské komory

Srdeční vady jsou celosvětově hlavní příčinou onemocnění a úmrtnosti souvisejících s vrozenou vadou1 a celosvětově postihují přibližně 1 % živě narozených dětí. Z nich asi jedna čtvrtina1 má kritické srdeční vady vyžadující včasnou intervenci ke zlepšení přežití a výsledků. 2 3 Dysfunkce pravé komory (RV) je převládající formou srdečního onemocnění u dětských pacientů, často vycházející ze stavů, jako je nedonošení, pooperační účinky vrozené srdeční choroby, funkce systémové komory a idiopatická plicní hypertenze. Tito pacienti čelí významným rizikům, včetně selhání RV, snížené kvality života, potenciální potřeby transplantace a zvýšené mortality. Přesné posouzení funkce PK je zásadní, ale náročné vzhledem ke složité geometrii PK.

Na rozdíl od dysfunkce levé komory (LK) dysfunkce RV primárně vyplývá z tlakového a objemového přetížení a má jedinečné patofyziologické charakteristiky. Zatímco mechanismy dysfunkce LK jsou dobře prostudovány, o RV je známo méně a mnoho z jeho klinického řízení je přizpůsobeno výzkumu zaměřenému na LV. RV se svými tenčími a přizpůsobivějšími stěnami se efektivně remodeluje, ale často toleruje změny po delší dobu, než dojde k selhání. Kromě toho dysfunkce RV často vede k dysfunkci LK v důsledku silných interventrikulárních interakcí. Tyto rozdíly spolu s nepravidelným tvarem a orientací PK komplikují zobrazování a hodnocení a vyžadují pokročilé zobrazovací techniky, které často zahrnují více modalit. 4 Přesné hodnocení velikosti a funkce pravé komory je zásadní pro diagnostiku, řízení a predikci výsledků u dětských srdečních onemocnění. Echokardiografie jako neinvazivní a dostupný nástroj je zobrazovací technikou první volby pro monitorování funkce PK). 4 Tradiční funkční měření PK však v pediatrické populaci čelí omezením kvůli významné variabilitě morfologie PK. Mezi systolickými parametry změna frakční plochy (FAC) prokázala silnější korelace se závažností onemocnění u pacientů s pokročilým srdečním selháním a užší vztah s ejekční frakcí pravé komory měřenou kardiovaskulární magnetickou rezonancí (CMR), což naznačuje její spolehlivost při hodnocení funkce pravé komory u dětí. 5,6 FAC < 35 % je podle směrnice považováno za abnormální7. Přesné hodnocení FAC může vést k včasným intervencím, zlepšit prognózu a zlepšit dlouhodobé výsledky tím, že umožní lepší sledování funkce pravé komory v průběhu času.

Vrozená srdeční choroba (CHD) zahrnuje širokou škálu strukturálních abnormalit a stavů, které ovlivňují vývoj srdce před narozením, s příklady, jako je Fallotova tetralogie (TOF)8 a plicní hypertenze (PH)9. PK hraje klíčovou roli v diagnostice TOF, protože obstrukce výtokového traktu a hypertrofie jsou primárními rysy tohoto stavu.10 Plicní hypertenze zvyšuje afterload (tlak) na pravou komoru, což vede ke strukturálním a funkčním změnám PK. Tyto změny nejsou typicky vidět v LK, pokud nedochází k závažnému biventrikulárnímu postižení nebo sekundárním účinkům.11 Echokardiografie je neinvazivní, široce dostupný a nezbytný nástroj první volby pro rutinní sledování různých dětských srdečních onemocnění postihujících pravou komoru (RV). 4 Posouzení funkce pravé komory u dětského srdečního onemocnění však zůstává náročné kvůli významné variabilitě morfologie a fyziologie pravé komory. Apikální čtyřkomorový (A4C) pohled je základním kamenem pro hodnocení funkce pravé komory (PK) díky své schopnosti komplexně hodnotit velikost, tvar a systolickou funkci PK.12 Parasternální zobrazení s krátkou osou (PSAX) se často používá jako doplňkový echokardiografický pohled vedle zobrazení A4C pro posouzení funkce pravé komory (RV).12 Pokroky v echokardiografii řízené umělou inteligencí, zejména hluboké učení, jsou příslibem pro zlepšení hodnocení srdeční funkce.13 Nedávné inovace, jako je EchoNet-Dynamic14, ukázaly užitečnost algoritmů hlubokého učení založených na videu pro segmentaci LK u dospělých a odhad ejekční frakce. Na základě tohoto pokroku výzkumníci vyvinuli EchoNet-Peds15, model umělé inteligence pro dětskou echokardiografii, který automatizuje segmentaci levé komory a výpočty ejekční frakce. Kromě metod segmentace levé komory zahrnuje 16–18 dalších aplikací hlubokého učení automatizovanou kvantifikaci19 struktury a funkce levé komory, jakož i nové metody pro odhadování intraventrikulárních hemodynamických parametrů na bázi úderu po úderu20. Většina studií hlubokého učení se však zaměřuje na hodnocení LV, přičemž pro RV je věnováno poměrně méně modelů, které se zabývají především segmentačními úkoly. 21,22 I když se v poslední době objevily některé pokroky, jako je model odhadující ejekční frakci PK z echokardiografických snímků u pacientů s plicní arteriální hypertenzí 23, v aplikaci AI na hodnocení funkce PK u dětí zůstávají značné mezery.

Tato studie si klade za cíl vyvinout rámec založený na hlubokém učení pro segmentaci pravé komory (RV), predikci změny frakční oblasti pravé komory (FAC) a identifikaci dětské dysfunkce pravé komory. Model AI byl navržen tak, aby rozlišoval mezi normálními dětskými srdci, plicní hypertenzí (PH) a Fallotovou tetralogií (TOF). Aby se zlepšila diagnostická přesnost, vyšetřovatelé rozšířili analýzu nad rámec zobrazení A4C integrací dat z zobrazení A4C i PSAX. Kromě toho byl rámec použit k predikci ejekční frakce levé komory (LV EF), což dále ukazuje jeho všestrannost a klinickou užitečnost.