Kunstig intelligens i ANOCA ((AI)NOCA)

Angina pectoris er diagnosticeret hos >180.000 mennesker i Holland hvert år. Diagnose ved angina pectoris fokuserer på epikardiel koronar stenose, hvis identifikation kan føre til retningslinjestyret medicinsk terapi eller revaskularisering. Imidlertid er der ikke identificeret en sådan stenose hos 40-70 % af patienterne. Denne tilstand, angina uden obstrueret koronararterie (ANOCA), er mere udbredt hos kvinder og er relateret til dårlig livskvalitet, høje medicinske udgifter og en højere forekomst af bivirkninger.

Oprindelsen af ​​ANOCA kan evalueres under invasiv koronar angiografi ved koronar funktionstest (CFT) for at identificere koronare vasomotoriske lidelser. Dette relaterer sig til vasospasme i kranspulsåren og mikrocirkulationen eller til nedsat mikrovaskulær vasodilatation. Til diagnosticering af vasospasme skal CFT resultere i elektrokardiografiske tegn på myokardieiskæmi som en del af de diagnostiske kriterier. Dette er et kritisk punkt i diagnosticeringen af ​​vasospasme, da disse tegn kan være subtile og kan variere og derfor er tilbøjelige til at misfortolke. Ud over dette forbehold kræver diagnosetilgangen derfor i øjeblikket en invasiv procedure for diagnosen. Dette begrænser den brede anvendelse og hæmmer tidlig identifikation og behandling af ANOCA.

Under CFT føres en koronar guidetråd rutinemæssigt frem i kranspulsåren, hvilket også gør det muligt at opnå et intrakoronar EKG ved at fastgøre en steril alligatorklemme til en standard elektrokardiogramledning. Dette muliggør kontinuerlig optagelse af intrakoronar EKG gennem hele CFT på samme monitor som rutine-EKG. Denne teknik kan øge følsomheden for myokardieiskæmi under CFT. Ydermere muliggør Holter EKG-overvågning identifikation af iskæmiske ændringer i EKG'et i ambulatoriet. Der mangler dokumentation for mønstrene for myokardieiskæmi, der opstår under spontane angina pectoris-symptomer hos ANOCA-patienter, og om følsomheden af ​​Holter-EKG til dette formål. Endelig kan fortolkningen af ​​iskæmiske mønstre på EKG-sporinger være besværlig, især når ændringer er subtile eller skifter fra slag til slag. Brugen af ​​deep learning-teknikker gør det muligt at automatisere fortolkningen af ​​EKG-spor og kan forbedre den standardiserede diagnose i ANOCA.