Maskinlæring i kvantitativ stressekkokardiografi (MLQSE)

Nyopståede brystsmerter er en almindelig klage og kan være en markør for betydelig hjerte-kar-sygdom og risiko for myokardieinfarkt og død; Derfor er det afgørende at opnå en nøjagtig diagnose for at vejlede patientbehandlingen. Det er bemærkelsesværdigt, at kun 40-50 % af patienterne, der får invasiv arteriografi, efterfølgende gennemgår revaskularisering. Dette understreger unøjagtigheden af ​​de indledende tests, der blev anvendt før arteriografi.

Historisk har elektrokardiografiske stresstest under træning været brugt til at påvise inducerbar myokardieiskæmi, men dens diagnostiske sensitivitet og specificitet er lav (ca. 65%). Diagnostisk nøjagtighed kan forbedres ved at inkorporere ekkokardiografi eller enkelt fotonemission computertomografi. Gældende NICE-retningslinjer anbefaler, at patienter med nyligt opstået brystsmerter skal undersøges med CT koronar angiografi som første linje, og hvis dette afslører en signifikant stenose, skal der udføres en funktionel billeddiagnostisk test.

Myocardial Doppler in Stress Echocardiography (MYDISE) undersøgelsen vurderede den diagnostiske værdi af kvantitativ stressekkokardiografi under infusionen af ​​dobutamin, en korttidsvirkende syntetisk katekolamin, der virker på β-1 adrenerge receptorer for at øge hjertefrekvens og myokardiekontraktilitet. Måling af de systoliske hastigheder af LV-langaksefunktion ved spidsbelastning havde god reproducerbarhed (variationskoefficienter i basale segmenter 9-14 % i hvile og 11-18 % ved spidsbelastning) og lignende sensitiviteter og specificiteter (ca. 70 %) til offentliggjorte undersøgelser, hvor ekspertobservatører rapporterede vægbevægelsesscore. Når der blev justeret for de uafhængige effekter af alder, køn og hjertefrekvens, steg den diagnostiske nøjagtighed dog signifikant med C-statistikker (areal under modtager-operatør-kurver) op til 90 %.

Visuel analyse af stressekkokardiografi til påvisning af myokardieiskæmi afhænger af kvalitativ vurdering af flere parametre. Større undersøgelser af kvantitativ stressekkokardiografi har været begrænset til at identificere den enkelte bedste ekkokardiografiske variabel, og de har brugt diameterstenose som referencekriterium. Progressive subkliniske reduktioner af regional (langakset) myokardiefunktion er blevet påvist hos forsøgspersoner med kardiovaskulære risikofaktorer, som påvirker myokardiedeformation (belastning og belastningshastighed) samt hastigheder. Iskæmi ændrer tidspunktet for hændelser under hjertecyklussen - for eksempel forlængelse af præ-ejektions- og post-ejektionsfaserne. Disse faktorer bekræfter det kliniske behov for objektiv måling af regional myokardiefunktion gennem hele hjertecyklussen.

Det er nu muligt at skabe algoritmer, der ikke kun er baseret på et enkelt tidspunkt (f.eks. tophastighed), men i stedet er afhængige af analyse af hele hastighedssporet. Dette koncept kan også udvides til at omfatte tøjnings- og tøjningshastighedskurver. Efterforskere ved Universitat Pompeu Fabra, Barcelona, ​​har udviklet denne tilgang til at skabe et statistisk hjerteatlas til at detektere dyssynkroni. Et lignende koncept er blevet anvendt ved hjælp af multiple kernel learning til patienter med dyspnø, som har gennemgået træningsstresstest for at identificere dem med tegn på diastolisk hjertesvigt. Dette har gjort det muligt at sammenligne hastighedsspor taget fra hele hjertecyklussen og skelne mellem kontrol. forsøgspersoner (med og uden dyspnø) og dem, der er diagnosticeret med hjertesvigt med bevaret ejektionsfraktion (HFpEF); de største forskelle, der observeres, er i den tidlige diastoliske funktion. Denne applikation er ikke tidligere blevet brugt til at udforske inducerbar myokardieiskæmi i stressekkokardiografi, men lignende resultater kan forventes, da ændringer under diastole er blandt de tidligste og mest følsomme indikatorer for myokardieiskæmi. Enkeltpersoner ved universitetet i Leuven (Prof Jan D'hooge) har for nylig udviklet overvågede maskinlæringsmetoder, der giver mulighed for automatisk klassificering af myokardiesegmenter baseret på deres lokale mekaniske adfærd (dvs. hastighed/belastning/belastningshastighed) efter at have gennemgået en træningsfase; den foreslåede maskinlæringstilgang udkonkurrerer ekspertvægbevægelsesmålinger såvel som ekspertfortolkning af segmentelle belastningsspor ved klassificering af iskæmiske segmenter.