Maskinlæring for at øge den tidlige diagnose af akutte hjerte -kar -tilstande (MALBEC)

Nuværende forskningstilstand på området

Akut hjerte -kar -sygdom (ACVD) er den førende dødsårsag i Schweiz og Europa, der er ansvarlig for 29% af dødsfaldene i Schweiz og 36% i hele Europa. Den stigende forekomst af ACVD, inklusive akut myokardieinfarkt (AMI), akut hjertesvigt (AHF), lungeemboli (PE) og akutte aorta -syndromer (AAS), lægger en betydelig byrde for sundhedssystemer. Diagnosticering af disse betingelser i akutafdelinger (EDS) er udfordrende på grund af overlappende symptomer og behovet for hurtig, nøjagtig beslutningstagning.

Introduktionen af ​​kardiovaskulære biomarkører, herunder hjerte-følsomheds-troponin, Natriuretisk peptid af B-type, og D-Dimer har revolutioneret tidlig diagnose. Disse biomarkører sammen med kliniske vurderinger og elektrokardiogrammer (EKG'er) er nu vigtige diagnostiske værktøjer. Imidlertid har de nuværende diagnostiske algoritmer stadig enorme begrænsninger.

De seneste fremskridt inden for maskinlæring (ML) og Deep Learning (DL) giver muligheder for at forbedre diagnosen. ML-baserede EKG-fortolkning og dyb overførbar læring (DTL) -teknikker kunne forbedre diagnostisk nøjagtighed ved at integrere komplekse EKG- og biomarkørdata. Automl -tilgange kan yderligere forfine disse modeller, reducere menneskelig fejl og forbedre kliniske arbejdsgange.

Forskningsteamet har gennemført flere store undersøgelser, der fører til betydelige fremskridt inden for kardiovaskulær biomarkørforskning og præcisionsmedicin. Deres bidrag inkluderer:

• Validering af MI3 -modellen, der bruger ML til at forbedre Nstemi
• Introduktion af BASEL ECG -score, et kvantitativt værktøj, der forbedrer Nstemi -diagnose.
• Validering af Code-ACS, en ML-baseret klinisk beslutningsstøtte-værktøj, der forudsiger sandsynligheden for NSTEMI mere effektivt end standard hjerte-troponin-tærskler.

Holdet fokuserer nu på at integrere EKG-data med biomarkører ved hjælp af AI/ML for at forbedre nøjagtigheden og automatisere beslutningstagning. Samarbejde med internationale eksperter har gjort det muligt for en vellykket anvendelse af neurale netværk til EKG -fortolkning. De næste trin inkluderer:

• Raffinering af ML-baseret EKG-fortolkning for at inkorporere ikke-additive effekter.
• Udvidelse af ML -modeller til at omfatte flere kardiovaskulære forhold ud over AMI.
• Integrering af disse AI-drevne værktøjer i kliniske arbejdsgange og elektroniske sundhedsregistre.

Denne forskning sigter mod at revolutionere kardiovaskulær diagnostik ved at udnytte AI og ML for mere præcis, hurtigere og klinisk relevant beslutningstagning.

Mål:

1. Udvikle og implementere et klinisk beslutningsstøtteværktøj, der visualiserer de vigtigste diagnostiske data.
2. Tog og validerer ML -modeller for at diagnosticere akutte hjerte -kar -sygdomme (ACVD).
3. Sammenlign ML -modellens ydeevne med eksisterende diagnostiske algoritmer.
4. Valider ML -modeller i store internationale kliniske forsøg.
5. Integrer ML -modeller i den elektroniske patientjournal på University Hospital Basel.