Kunstig intelligens til forebyggelse af hjertesygdomme (AiPHD): Observationel, enkelt center, prospektiv og retrospektiv undersøgelse (AiPHD)

Baggrund og begrundelse

I de senere år er cCTA blevet et afgørende diagnostisk værktøj til mistanke om CAD, anbefalet som førstelinjetest til patienter med en mellemliggende præ-test sandsynlighed for CAD af European Society of Cardiology (ESC) retningslinjer [doi:10.1093/eurheartj/ ehz425] og American HeartAssociation (AHA) [doi: 10.1016/j.jacc.2021.07.053] og italienske retningslinjer [doi: 10.1007/s11547- 021-01378-0], på grund af den velkendte høje negative prædiktive værdi af cCTA i udelukker obstruktiv CAD. De fleste patienter har dog ikke-obstruktiv CAD.

Mens behandlingen af ​​patienter med obstruktiv CAD er etableret, da den drejer sig om yderligere diagnostisk test for iskæmi-evaluering eller forudgående koronararterie-revaskularisering, er dette ikke tilfældet for patienter med ikke-obstruktiv CAD. Denne gruppe af patienter har dog stadig en betydelig risiko for at udvikle alvorlige uønskede kardiovaskulære hændelser (MACE'er) [doi: 10.1007/s11547- 021-01378-0], som kunne forebygges ved at implementere passende medicinsk behandling. Til dato er der blevet foreslået mange tilgange til at løse dette problem. Disse foreslåede løsninger mangler imidlertid evnen til at give kvantitative og reproducerbare resultater med en tilstrækkelig stærk prædiktiv værdi, de foreslås ofte som en selvstændig løsning uden integration med flere prognostator-billeddannelse og kliniske parametre og leveres ikke gennem platforme, der er i stand til at levere ekstern validering og nem integration i den kliniske arbejdsgang. Blandt de foreslåede prognostiske tilgange er nogle baseret på den kvalitative evaluering af plaque-træk i kranspulsåren, såsom positiv remodellering, lav dæmpning af pladen, tilstedeværelse af plettet forkalkning og "servietring"-tegn [doi:10.1093/ehjci/jew200; DOI:10.1016/j.jcmg.2012.09.016; doi: 10.1161/CIRCIMAGING.117.006973], som er underlagt betydelig inter-læser-variabilitet [doi: 10.1016/j.jcct.2017.11.014].

Andre tilgange er afhængige af kvantitative metoder til evaluering af aterosklerotisk byrde baseret på omfanget af koronararterieplaques og deres karakteristika, såsom calciumdensitet, antal læsioner, regional fordeling, plaquevolumen, ikke-kalcificeret plakvolumen osv. [DOI: 10.1016/j .ajpc.2022.100423].

Disse tilgange kan dog være hæmmet af lav reproducerbarhed, især blandt forskellige scannerleverandører [10.1148/radiol.2016161670].

Interessant nok har en ny forskning også vist, at ud over karakteristika for koronar karvæggen har perikoronar fedtvævsdæmpning betydelig forudsigelig værdi, da den afspejler tilstanden af ​​koronar inflammation, der spiller en nøglerolle i udviklingen og progressionen af ​​koronar aterosklerose [10.1016/ j.jcct.2021.03.005].

Alle disse CAD-karakteristika analyseres ofte uafhængigt fra den ene til den anden, hvilket reducerer deres potentielle synergistiske prognostiske værdi og skaber overflødige variabler, der har ubetydelig effekt på prognosen. Vi foreslår en AI-baseret analyse, der kan integrere alle disse data for at udvælge den vigtigste determinant for CAD-progression og for at kassere forgæves funktioner, og dermed skabe en agil og klinisk værdifuld risikostratificeringsmodel. Ydermere planlægger vi at skabe en ny billeddannelse. markør for CAD med ugunstigt resultat, der skal integreres i den AI-baserede model, som vil være baseret på topologiske træk ved kranspulsåren. Faktisk er data om sammenhængen mellem koronararterietopologi (f.eks. karlængde, koronararterievolumenindeks, tværsnitsareal, krumning og tortuositv) og prognose knappe. Det er dog kendt, at karsnoninger påvirker vægforskydningsspænding og fører til forstyrrelse af laminært flow, hvilket resulterer i endothelial dysfunktion og flowændringer, der kan føre til åreforkalkning, som i sidste ende kan forårsage uønskede hjertehændelser [DOI: doi.org/10.3390/diagnostics12092178]. Således kan denne nye biomarkør have en betydelig prognostisk rolle. Baseret på disse præmisser sigter vores forskning mod at udvikle en ny klinisk billeddannende AI-baseret model til at identificere og kategorisere patienter med høj risiko for sygdomsprogression og give en mere personlig ledelsestilgang til at forbedre patientresultaterne.

Udover det primære mål med at skabe en AI-baseret model for CAD-risikostratificering, sigter vi mod at overvinde nogle problemer, der i øjeblikket hæmmer den udbredte kliniske anvendelse af AI i hjerte-kar-pleje. Faktisk er det anerkendt, at integrationen af ​​AI-baserede applikationer i den kliniske arbejdsgang, hvilket vil øge anvendeligheden og reducere omkostningerne, i øjeblikket mangler [10.3389/fcvm.2021.818765].

Vi sigter mod at tackle disse problemer med hjælp fra de industrielle partnere, der er involveret i dette projekt, som vil bygge en platform, der er i stand til at levere softwareløsningen til at levere ekstern validering af algoritmen.

Denne platform vil være karakteriseret ved state-of-the-art sikkerhedsforanstaltninger, interoperabilitet med nuværende klinisk software og brugervenlig grænseflade.