Künstliche Intelligenz unterstützte Bewertung der pulmonalen HYpertonie (AIPHY)

Patienten mit pulmonaler Hypertonie (PH) stellen eine herausfordernde und heterogene Kohorte mit hoher Morbidität und Mortalität dar, wenn sie unbehandelt bleiben. Um eine definitive Diagnose von PH zu stellen, muss eine invasive Rechtsherzkatheterisierung (RHC) durchgeführt werden, um den mittleren Lungenarteriendruck (mPAP) zu bestimmen. Da PH sporadisch bei verschiedenen Erkrankungen auftritt, einschließlich Bindegewebserkrankungen und angeborenen Herzfehlern, und die Symptome unspezifisch sind, muss der Verdacht auf PH frühzeitig in der Gemeinde geweckt werden. Aus diesem Grund wären nicht-invasive Tools, die für das Vorab-Screening weithin verfügbar sind, ideal, um eine rechtzeitige Diagnose von PH zu ermöglichen. Die transthorakale Echokardiographie hat sich als Hauptstütze für das Screening auf PH herausgestellt, doch die Sensitivität und Spezifität dieses Ansatzes bleiben selbst in erfahrenen Händen begrenzt. Da sich Hochdurchsatztechnologien weiterentwickeln und der Zugang zu PH Big Data verbessert wird, wird es entscheidend sein, Ansätze der künstlichen Intelligenz für die Datenanalyse, Visualisierung und Interpretation umsichtig auszuwählen. Durch die Kombination der multimodalen klinischen Daten (wie Indikatoren aus Thoraxröntgen, Elektrokardiographie und Echokardiographie) zielt diese Studie darauf ab, Programme zu entwickeln, die durch künstliche Intelligenz unterstützt werden, um das Screening und die Diagnose von PH zu unterstützen und ihre diagnostische Genauigkeit für PH als zu bewerten verglichen mit RHC, und um abzuschätzen, ob dieser Ansatz die konventionelle echokardiographische Methode übertrifft.