Kunstig intelligens for at forbedre detektion og risikostratificering af akut lungeemboli (AID-PE) (AID-PE)

Akut lungeemboli (PE) skyldes delvis eller total okklusion af lungeblodkarrene af trombe, hvilket kan forårsage højre ventrikelsvigt og død, hvis det ikke diagnosticeres og behandles tidligt. Akut PE er en almindelig tilstand med stigende dødelighed. Patienter med akut PE er ofte dårligt risikostratificeret på trods af klare retningslinjer. Faktisk fremhævede den nationale fortrolige undersøgelse fra 2019 om patientrelateret udfald og død (NCEPOD) for akut PE behovet for at adressere forværrede dødelighedsrater gennem passende risikostratificering af tilstanden.

ESC/ERS retningslinjer for diagnose og håndtering af akut PE rådgiver også om vigtigheden af ​​risikostratificering. Et øget forhold mellem højre ventrikel: venstre ventrikel (RV:LV) >1,0 på computertomografi pulmonal angiogram (CTPA) er forbundet med 2,5 gange øget risiko for dødelighed af alle årsager og 5 gange risiko for PE-relateret dødelighed. Denne metrik er beregnet til at hjælpe klinikere med at skelne mellem patienter med høj- og lavrisiko akut PE. Patienter stratificeret som højrisiko (RV:LV ratio >1,0) nødvendiggør tættere overvågning inden for en indlæggelse. Mens patienter stratificeret som lavrisiko (RV:LV ratio <1,0) er egnede til tidlig udskrivning gennem ambulante veje.

Derfor har leveringen af ​​RV:LV-metrikker inden for radiologirapportering potentielt vigtige kliniske implikationer. Hvis klinikere ikke får nogen kvantificerbar evidens for RV-dysfunktion, som de kan basere deres behandlingsbeslutninger på, kan patienter med højrisiko akut PE utilsigtet blive betragtet som 'lavrisiko' og udskrevet til hjemmet. Desuden kan patienter med lavrisiko akut PE blive udsat for længere og potentielt unødvendige indlæggelser, hvilket utvivlsomt bidrager til udgifterne til sundhedspleje. Integrationen af ​​kunstig intelligens (AI) teknologi inden for radiologirapportering af CTPA'er til akut PE kunne være en potentiel løsning til at løse denne udfordring.

AI er en stadig mere attraktiv teknologi inden for sundhedsvæsenet. Den beskriver en række computersoftwareteknikker, som efterligner menneskelig kognitiv funktion. AI viser lovende evne til at opdage og risikere at stratificere akut PE. De fleste undersøgelser er dog blevet udført i retrospektive kohorter. Desuden har ingen aktuelle undersøgelser adresseret den sundhedsøkonomiske virkning af implementering af AI-teknologi i den virkelige verden rapportering af akut PE.

Denne observationsundersøgelse vil blive ledet af Royal United Hospital Bath NHS Trust (RUH). Formålet med denne undersøgelse er at integrere kunstig intelligens og maskinlæringsteknologi i rapporteringen af ​​CTPA'er for akut PE. Efterforskerne antager, at AI-teknologi kan forbedre den hurtige diagnose, risikostratificering og håndtering af akut PE inden for en klinisk verden i den virkelige verden. Efterforskerne antager også, at integration af AI-teknologi er omkostningseffektiv og acceptabel for radiologer og klinikere.

Patienter, hvis scanninger vil blive inkluderet i undersøgelsen, vil være alle dem, der fortløbende præsenterer for RUH med en mulig diagnose af akut PE i 12 måneder før (komparatorkohorte) og 12 måneder efter (interventionskohorte) 'live' introduktion af integreret AI-teknologirapportering . For alle rekrutterede deltagere vil en anonymiseret kliniker-caserapportformular blive brugt til at indfange detaljer vedrørende deres demografi, klinisk-radiologiske PE-sværhedsgrad, deres håndtering og resultater, herunder dødelighed efter 12 måneder.

På analysepunktet vil efterforskerne udføre justeringer/matchning mellem de to kohorter for patientbaselinekarakteristika. Efterforskerne vil også justere for kalendertidspunktet for rekruttering for at tage højde for tidsmæssige tendenser. Analyse mellem begge kohorter vil også tillade udvikling af en beslutningsanalysemodel til at vurdere omkostningseffektiviteten af ​​integreret AI-teknologi i CTPA-rapporten for akut PE. Kliniker og radiolog spørgeskemaer vil blive brugt til at vurdere brugeracceptabilitet.