Künstliche Intelligenz zur Priorisierung des genetischen Hintergrunds beim Brugada-Syndrom (AI4Cardio)

Das Brugada-Syndrom (BS) ist eine angeborene elektrische Störung des Herzens, die bei jungen asymptomatischen Personen zu Synkope und plötzlichem Herzstillstand führen kann. Es wird vermutet, dass es zu 4–12 % der Fälle von plötzlichem Herztod in der Allgemeinbevölkerung beiträgt. Die Diagnose beruht auf der Identifizierung eines Typ-I-EKG-Musters, das durch eine ST-Strecken-Hebung mit einer gewölbten Morphologie in den rechten präkordialen Ableitungen gekennzeichnet ist. Die Prävalenz in westlichen Ländern wird auf 1:5000 geschätzt. Derzeit ist die Implantation eines Kardioverter-Defibrillators (ICD) die einzige Behandlungsoption, die Leitlinien zur Risikostratifizierung sind jedoch nach wie vor unvollständig, insbesondere für asymptomatische Personen.

BS wird autosomal-dominant mit unvollständiger Penetranz vererbt. Während 23 Gene mit der BS-Anfälligkeit in Verbindung gebracht wurden, sind 70 % der Patienten genetisch nicht charakterisiert, was auf ein komplexeres Vererbungsmuster schließen lässt. Die Genetik wurde nicht in die Richtlinien zur Risikostratifizierung einbezogen, obwohl es Hinweise darauf gibt, dass bestimmte genetische Varianten mit einem höheren Arrhythmierisiko in Verbindung gebracht werden. Diese Wissenslücke unterstreicht, wie wichtig es ist, unser Verständnis der BS-Genetik zu erweitern, um die diagnostische Sensitivität und das Patientenmanagement zu verbessern.

Dieses Protokoll basiert auf vorläufigen Daten einer vom italienischen Gesundheitsministerium geförderten Studie (GR-2016-02362316), in der Next-Generation-Sequencing (NGS) zur Untersuchung der gesamten kodierenden Regionen (Whole Exome Sequencing_WES) von 200 BS-Patienten eingesetzt wurde . Ziel der Studie war es, neue BS-Kandidatengene zu identifizieren und die genetische Grundlage der Erkrankung zu charakterisieren.

Die Kohorte wurde auf der Grundlage des Vorhandenseins eines EKG vom Typ I ausgewählt, das entweder spontan bestätigt oder durch Flecainid oder Ajmalin induziert wurde. Die Patienten wurden einer gründlichen kardiologischen Untersuchung unterzogen, um andere Erkrankungen auszuschließen. Die Nachuntersuchung umfasste jährliche Untersuchungen und häufigere Untersuchungen bei Patienten mit einem höheren Risiko einer ventrikulären Tachykardie.

Durch die Nutzung von WES wurde eine große Anzahl genetischer Varianten identifiziert, was den Einsatz künstlicher Intelligenz (KI) zur Priorisierung der Sequenzierungsdaten veranlasste. KI-Techniken, einschließlich fortschrittlicher Algorithmen und maschinellem Lernen, können die Identifizierung potenziell krankheitsverursachender genetischer Variationen optimieren, indem sie häufige Varianten herausfiltern, Pathogenität vorhersagen und klinische Daten integrieren.

Angesichts der Tatsache, dass über 70 % der BS-Patienten genetisch nicht diagnostiziert werden, sind Hochdurchsatz-Sequenzierungsansätze für ein umfassendes Verständnis der BS-Genetik von entscheidender Bedeutung. Ziel dieser Studie ist es, zur Identifizierung neuer genetischer Faktoren beizutragen und die Risikostratifizierung für betroffene Patienten zu verbessern. Alle Sequenzierungsdaten für dieses Projekt wurden generiert und werden mithilfe von KI analysiert, ohne dass weitere Patienten aufgenommen oder sequenziert werden müssen.