AI-bazovaná echokardiografie pro detekci srdeční amyloidózy (ORCHESTRA)

Pozadí: Srdeční amyloidóza je charakterizována ukládáním nesprávně složených proteinů v myokardu, což způsobuje zejména příznaky srdečního selhání s zachovanou ejekční frakcí levé komory. Existují také specifické klinické projevy (bilaterální syndrom karpálního tunelu, polyneuropatie, podlitiny kůže, ruptura šlachy bicepsu…), biomarkery (nepřiměřeně zvýšený NT-proBNP vzhledem ke stupni srdečního selhání, přetrvávající zvýšený troponin, proteinurie..), elektrokardiografické (snížené napětí QRS, fibrilace síní..) a echokardiografické znaky (koncentrická hypertrofie levé komory, dilatované síně, snížená globální longitudinální deformace s typickým vzorem šetřícím apex, diastolická dysfunkce…). Včasná diagnóza onemocnění je klíčová k identifikaci pacientů, kteří mohou mít prospěch z vhodné léčby. Podezření na srdeční amyloidózu na echokardiografii nebo na magnetické rezonanci srdce vyžaduje vyžádání kvantifikace volných lehkých řetězců v séru a imunofixace v séru a moči, stejně jako jednofotonové emisní výpočetní tomografie pomocí kostních radiotracerů.

Hypotéza: Použití algoritmu asistovaného umělou inteligencí aplikovaného na echokardiografická data může umožnit přesnější identifikaci podezření na srdeční amyloidózu ve srovnání s kardiology s odborností v zobrazování srdce.

Metody: Tento projektový návrh bude zahrnovat 3 různé fáze:

Fáze 1: retrospektivní vyhodnocení klinicky získaných echokardiografických dat se zprávami naznačujícími hypertrofii levé komory (tloušťka stěny LK ≥12 mm) a/nebo srdeční amyloidózu. Toto vyhodnocení bude spočívat v získání a analýze echokardiografických dat (přibližně 20 000 studií) od roku 2022 do současnosti. Data budou znovu analyzována zkušeným pozorovatelem a aktuálně dostupným algoritmem založeným na umělé inteligenci (AI) k detekci podezření na srdeční amyloidózu. Bude testována shoda mezi algoritmem a pozorovatelem. U těch pacientů, u kterých původní pozorovatel, který popsal echokardiogram, považoval, že existuje podezření na srdeční amyloidózu, budou získány zprávy o dalších testech klinicky potřebných k potvrzení nebo vyloučení diagnózy. Podle toho bude porovnána přesnost pozorovatele a algoritmu založeného na AI.

Fáze 2. Na základě výsledků fáze 1, které poskytnou informace o prevalenci stavu, určíme délku prospektivního hodnocení analýzy echokardiografických snímků asistované algoritmem založeným na AI, abychom zjistili, zda by to zvýšilo schopnost kardiologů zachytit časné pacienty s podezřením na srdeční amyloidózu.

Fáze 3. Pragmatické prospektivní hodnocení AI-analýzy. Prospektivní analýza aplikující algoritmus založený na AI na všechny pacienty přicházející do echolaboratoře a následování klinicky indikované diagnostické cesty k potvrzení nebo vyloučení srdeční amyloidózy podle současných směrnic. Pacienti budou požádáni o souhlas s protokolem a podepíší informovaný souhlas.

Výsledné měření:

V tomto projektu bude analyzována prevalence srdeční amyloidózy (fáze 1) a bude hlášena shoda mezi kardiology, odborníky na zobrazování srdce, a algoritmem založeným na umělé inteligenci. Pokud prokážeme, že algoritmus založený na umělé inteligenci poskytuje vyšší prevalenci skutečné srdeční amyloidózy než kardiologové, dopad na klinickou praxi je masivní, protože vyšší počet pacientů by mohl být diagnostikován a mít prospěch z účinné specifické terapie, což zlepší jejich klinické výsledky.

Kvantifikovat diagnostický poměr podezření na amyloidózu AI vs. lékař (pozitivní a negativní míry podezření)

Kvantifikovat echokardiografické varovné signály: AI vs. lékař rozpoznané varovné signály amyloidózy (varovné signály budou směrnicově určeny: koncentrická tloušťka stěny a také postihující pravou komoru, "jiskřivý" aspekt interventrikulárního septa, lipomatózní hypertrofie interatriálního septa, dilatace síní, perikardiální výpotek, snížená MAPSE a TAPSE, apikální třešňový vzor na analýze globální longitudinální deformace levé komory, ztluštění cípek srdečních chlopní, včetně aortální stenózy)

Kvantifikovat senzitivitu a specificitu AI. Určit nejvíce specifické a nejvíce senzitivní varovné signály pro AI vs. lékař (pouze automatizované parametry Us2.v2)

Kvantifikovat senzitivitu a specificitu Us2.V2 vs. Us2.ca algoritmu

Doba diagnózy: Průměrný čas, který specialista potřebuje k diagnóze pomocí echa vs. průměrný čas, který potřebuje AI algoritmus k diagnóze.

Analýza charakteristik pacientů s ATTR srdeční amyloidózou (např. HFpEF, HFmrEF, HFrEF, fibrilace síní, aortální stenóza, další komorbidity)

Laboratoř: Neinvazivní jednotka zobrazování srdce Institutu srdce Univerzitní nemocnice Germans Trias i Pujol provádí ročně 17 000 echokardiogramů, z toho více než 11 000 transtorakálních echokardiogramů. Spolupráce s oddělením nukleární medicíny a radiologie je vynikající s přístupem k magnetické rezonanci srdce (700 studií provedeno ročně a očekávání pro příští rok bude kolem 1 000) a jednofotonové emisní výpočetní tomografie.

Proto je proveditelnost projektu vysoká. Algoritmus založený na umělé inteligenci pro analýzu echokardiografických snímků je také připraven a mohou být analyzovány.