Kunstig intelligens til prioritering af genetisk baggrund i Brugada syndrom (AI4Cardio)

Brugada Syndrom (BS) er en arvelig elektrisk hjertesygdom, der kan forårsage synkope og pludseligt hjertestop hos unge asymptomatiske individer. Det formodes at bidrage til 4-12 % af tilfældene af pludselig hjertedød i den almindelige befolkning. Diagnose er afhængig af identifikation af et type I EKG-mønster karakteriseret ved ST-segment elevation med en coved morfologi i de højre prækordiale afledninger. Prævalensen i vestlige lande anslås til 1:5000. I øjeblikket er implantation af en cardioverter-defibrillator (ICD) den eneste behandlingsmulighed, men retningslinjerne for risikostratificering er fortsat ufuldstændige, især for asymptomatiske personer.

BS nedarves som et autosomalt dominant træk med ufuldstændig penetrans. Mens 23 gener er blevet forbundet med BS-følsomhed, forbliver 70% af patienterne genetisk ukarakteriserede, hvilket tyder på et mere komplekst arvemønster. Genetik er ikke blevet indarbejdet i retningslinjer for risikostratificering, på trods af beviser, der forbinder visse genetiske varianter med højere arytmisk risiko. Denne videnskløft understreger vigtigheden af ​​at udvide vores forståelse af BS-genetik for at forbedre diagnostisk følsomhed og patientbehandling.

Denne protokol bygger på foreløbige data fra en undersøgelse bevilget af det italienske sundhedsministerium (GR-2016-02362316), hvor næste generations sekvensering (NGS) blev brugt til at undersøge hele kodningsregionerne (Whole Exome Sequencing_WES) af 200 BS-patienter . Undersøgelsen havde til formål at identificere nye BS-kandidatgener og karakterisere det genetiske grundlag for tilstanden.

Kohorten blev udvalgt baseret på tilstedeværelsen af ​​et type I EKG, bekræftet enten spontant eller induceret af flecainid eller ajmalin. Patienterne gennemgik grundige hjerteevalueringer for at udelukke andre tilstande. Opfølgning omfattede årlige vurderinger og hyppigere evalueringer for patienter med en højere risiko for ventrikulær takykardi.

Et stort antal genetiske varianter blev identificeret ved at udnytte WES, hvilket betød brugen af ​​kunstig intelligens (AI) til at prioritere sekventeringsdataene. AI-teknikker, herunder avancerede algoritmer og maskinlæring, kan strømline identifikationen af ​​potentielt sygdomsfremkaldende genetiske variationer ved at frafiltrere almindelige varianter, forudsige patogenicitet og integrere kliniske data.

I betragtning af at over 70 % af BS-patienter forbliver genetisk udiagnosticeret, er high-throughput sekventeringstilgange afgørende for en omfattende forståelse af BS-genetik. Denne undersøgelse har til formål at bidrage til identifikation af nye genetiske faktorer og forbedre risikostratificering for berørte patienter. Alle sekventeringsdata for dette projekt er blevet genereret og vil blive analyseret ved hjælp af AI, uden yderligere patienter, der skal tilmeldes eller sekventeres.