Prognostisk model for langsigtet hjertefunktion efter lungeemboli baseret på dynamisk elektrokardielt signal og cirkulerende biomarkører

Lungeemboli (PE) er en meget sygelig og dødelig hjerte-kar-sygdom. Højre ventrikulær dysfunktion (RVD) sekundært til PE indikerer en dårlig prognose og tjener som et kritisk grundlag for risikostratificering. Nylige undersøgelser har vist, at over en tredjedel af patienterne fortsat oplever RVD et år efter PE, hvor mekanismerne og regression forbliver uklare. Selvom elektrokardiografi (EKG) er den mest almindeligt anvendte test for hjertesygdom, er dens diagnostiske specificitet for PE begrænset.

I de senere år har kunstig intelligens (AI) med succes udvundet hundredvis af funktioner fra data, som er svære for det menneskelige øje at genkende. Korrelationen mellem daglige vitale tegn overvåget af bærbare enheder og funktionelle tegn på kronisk kardiovaskulær sygdom antyder potentialet for AI til at detektere sygdomsprogression. Der er mangel på specifikke markører for højre ventrikulær funktion post-PE, og betydningen og ændringerne af disse markører i sygdomsprogression er endnu ikke blevet undersøgt.

Denne undersøgelse har til formål at udvikle en prædiktiv model for progression af RVD efter PE ved brug af AI, der kombinerer elektromyografi, bærbare enheder og vitalitetsmarkører. I dette prospektive kohortestudie blev 500 patienter med akut PE i mellem- eller højere risiko inkluderet. Ca. 200 patienter med RVD ved udskrivning blev fulgt i et år med daglige elektromyografiske data indsamlet ved hjælp af bærbare elektromyografer. Bioprøver blev indsamlet på følgende tidspunkter: indlæggelse, udskrivning og opfølgning efter 3, 6 og 12 måneder, og en række forskellige inflammatoriske markører blev målt ved hjælp af et multifaktorielt assay på væskesuspensionskerner. Disse data blev integreret i en kontinuerlig sygdomsdiagnostisk model baseret på en deep learning restriktiv opdateringsstrategi.

I sidste ende blev en kontinuerlig sygdomsdiagnose og prognosealgoritme udviklet, hvilket gav en model til at forudsige progressionen af ​​RVD efter PE ved brug af multifaktorielle assays på flydende suspensionskerner til at måle forskellige inflammatoriske markører.