AI-modeller for cerebrale aneurismer, segmentering, detektion og stabilitetsforudsigelse (AI-CARE)

Aneurysmal subarachnoid blødning (SAH) er en af ​​de kritiske sygdomme, der alvorligt truer menneskers sundhed, med en klinisk dødelighed på op til 30 %. Tidlig diagnose og intervention før ruptur anses for at være nøglen til at forbedre prognosen for aneurysmal SAH. Med den udbredte kliniske anvendelse af ikke-invasive cerebrovaskulære billeddannelsesteknikker, såsom CTA og MRA, er påvisningshastigheden af ​​ubrudte intrakranielle aneurismer (UIA) steget betydeligt. Men at imødekomme den voksende efterspørgsel efter klinisk cerebrovaskulær billeddiagnostik rejser udfordringen med at forbedre diagnostisk nøjagtighed og samtidig aflaste diagnostiske lægers arbejdsbyrde. I betragtning af, at ikke alle detekterede UIA'er vil briste, er det desuden afgørende at identificere højrisiko-aneurismer, der er tilbøjelige til at briste, for at undgå unødvendig overbehandling, hvilket kan føre til betydelige socioøkonomiske byrder og iatrogen skade på patienter. For at imødekomme dette kliniske behov har forskere udviklet en kunstig intelligens (AI) algoritme til at skabe software, der er i stand til automatisk at identificere intrakranielle aneurismer baseret på ikke-invasive vaskulære billeddannelsesdata, hvilket muliggør nøjagtig diagnose af aneurismer. For at evaluere den kliniske nytte af denne AI-algoritme blev der foreslået en prospektiv, multicenter-registreringsundersøgelse. Gennem langsigtet standardiseret og ensartet ikke-invasiv billeddannende opfølgning vil der blive etableret individualiserede billeddiagnostiske analyseprofiler. Ved at korrelere disse profiler med aneurisme-udfaldsbegivenheder (vækst eller ruptur), vil billeddannende funktioner, der er i stand til nøjagtigt at forudsige aneurismevækst og -ruptur, blive identificeret og analyseret. Denne tilgang forventes at øge nøjagtigheden af ​​UIA-diagnose og muliggøre risikostratificering for ubrudte intrakranielle aneurismer gennem brug af relevante data.