Kunstig intelligens med dyb læring om koronar mikrovaskulær sygdom (AIDECORO)

Formålet med denne undersøgelse er at udvikle en algoritme, der er i stand til at identificere patienter med dårlige prognosekriterier på tidspunktet for hospitalsindlæggelse for STEMI, på trods af vellykket revaskularisering ved at analysere koronar angiografibilleder ved hjælp af overvågede Deep Learning-metoder med kunstig intelligens.

Protokollen vil blive opdelt i 4 trin:

- Trin 1: Patientvalg

Data mining for at identificere og udvælge patienter via PMSI-data. Patienterne vil blive kontaktet telefonisk for at tjekke deltagelsesaftalen og indsamle det primære resultat. Andre data fra patientens medicinske journal vil blive indsamlet gennem PREDIMED.

- Trin 2: Dataanmærkning

At identificere for hver patient med vellykket revaskularisering i henhold til de sædvanlige kriterier (TIMI Flow = 3, MBG = 2 eller 3 og ST-segmentopløsning > 70 %), uanset om han eller hun på indlæggelsestidspunktet for STEMI har pejorativ udvikling. kriterier defineret af forekomsten af ​​død eller genindlæggelse for hjertesvigt på tidspunktet for opfølgningen. Dette trin kræver en angioplastikers ekspertise og vil resultere i generering af en database med 600 tilfælde. For at træne algoritmen til at genkende billeder i sammenhæng med STEMI-revaskularisering, vil 1000 normale koronare angiografier udført i en stabil sygdomskontekst også blive identificeret.

- Trin 3: Udvikling af en ny metode til analyse af koronar angiografibilleder for at identificere patienter med ikke-optimal revaskularisering.

Udvikl ved hjælp af Tensorflow/Keras-biblioteker en overvåget Deep Learning AI-algoritme, der er trænet til at identificere patienter med ikke-optimal revaskularisering (patient med dårlig prognose). Algoritmen vil være baseret på konvolutionel neural netværksmetodologi, og modellen vil blive trænet ved hjælp af data fra de to foregående trin. Hele eller en del af sekvensen af ​​interesse vil blive brugt ved input af modellen, som ved output vil foreslå en sandsynlighed for god eller dårlig prognose for patienten. De 1000 komplementære koronare angiografier vil blive brugt til kunstigt at øge læringsgrundlaget ved at øge antallet af cases eller vil blive udnyttet til en transfer learning-metode.

- Trin 4: Evaluering af den patofysiologiske hypotese.

Den største svaghed ved AI er "Black Box". Det vil sige, at algoritmen kan forudsige korrekt uden at vide hvordan. Det er da svært at knytte resultatet til et fysiopatologisk fænomen og at udvikle terapeutiske midler. Her vil vi evaluere korrelationen af ​​algoritmens resultat med referencemetoden til måling af CD anvendt hos patienterne i Guardiancory-studiet (NCT03087175).