Optimeret multi-modalitet maskinlæringstilgang under kardiotoksisk kemoterapi for at forudsige opstået hjertesvigt (MERMAID)

Dette projekt vil udvikle en automatiseret maskinlæringstilgang ved hjælp af multimodalitetsdata (billeddannelse, laboratorie, elektrokardiografi og spørgeskema) for at øge forståelsen og forudsigelsen af ​​opstået hjertesvigt hos patienter, der er planlagt til kardiotoksisk kemoterapi. Denne algoritme vil blive udviklet af den tekniske samarbejdspartner Prof. Adam, som leder Technion, instituttet for biomedicinsk ingeniørvidenskab.

Specifikke mål:

1. At indsamle alle opnåelige data fra patienter, der er planlagt til kardiotoksisk kemoterapi ved baseline, op til 6 måneder efter endt behandling - vedrørende billeddannelse (MRI, ekkokardiografi med konventionel parameter og belastningsparameter), elektrokardiografi, biomedicinske markører (for at definere funktionen af ​​lever, nyre, hjerte og hæmatopoietisk knoglemarv), kliniske parameter og livskvalitetsspørgeskema:
2. At optimere og evaluere en robust maskinlæringstilgang, der integrerer og vurderer alle disse data for at detektere tidlig myokardieskade og for at identificere en optimal parameter (enkelt eller i kombination) til forudsigelse af subklinisk venstre ventrikulær (LV) dysfunktion (stadie 1 af den aktuelle undersøgelse ).
3. At udføre et klinisk studie (stadie 2 af det nuværende studie) af kemoterapipatienter og at identificere subklinisk LV dysfunktion, som vil blive brugt til at vejlede kardiobeskyttende terapi ved hjælp af den nye maskinlæringstilgang i sammenligning med den faktiske standardprocedure, der kun bruger ekkokardiografisk venstre ventrikel ejektionsfraktion (LVEF).

Formålet med denne undersøgelse er at evaluere og optimere en maskinlæringstilgang til at kombinere og integrere data fra forskellige billeddannelsesmodaliteter med laboratorie-, elektrokardiografi- og spørgeskemaoplysninger for at definere værdien af ​​alle disse parametre i patientbehandling ved identifikation af subklinisk LV-dysfunktion, som vil blive brugt til at vejlede kardiobeskyttende terapi i sammenligning med en standardtilgang, der kun bruger konventionelle ekkokardiografiske parametre.

MRI, konventionelle ekkokardiografiske parametre og ekkokardiografisk myokardiedeformationsbilleddannelse anvender forskellige modaliteter og tilgange til at opnå indsigt i myokardievæv og deformation. Vi antager, at en ny og optimeret automatiseret algoritme, der anvender disse modaliteter og integrerer laboratorie-, elektrokardiografi- og spørgeskemaoplysninger, vil forbedre opdagelsen af ​​tidlige LV-dysfunktioner og vil bringe ny indsigt i kemopatienters potentielle respons på kardiotoksisk terapi. Vi forventer, at denne algoritme fører til brug af supplerende terapi, der vil begrænse udviklingen af ​​LV dysfunktion, afbrydelser af kemoterapi og udvikling af hjertesvigt i opfølgningen og dermed vil reducere sygelighed og omkostninger.