Prognosemodell für die langfristige Herzfunktion nach Lungenembolie basierend auf dynamischen elektrokardialen Signalen und zirkulierenden Biomarkern

Lungenembolie (PE) ist eine hochmorbide und tödliche Herz-Kreislauf-Erkrankung. Eine rechtsventrikuläre Dysfunktion (RVD) als Folge einer LE weist auf eine schlechte Prognose hin und dient als entscheidende Grundlage für die Risikostratifizierung. Jüngste Studien haben gezeigt, dass mehr als ein Drittel der Patienten auch ein Jahr nach PE weiterhin an RVD leiden, wobei die Mechanismen und die Regression unklar bleiben. Obwohl die Elektrokardiographie (EKG) der am häufigsten verwendete Test für Herzerkrankungen ist, ist ihre diagnostische Spezifität für LE begrenzt.

Künstliche Intelligenz (KI) hat in den letzten Jahren erfolgreich Hunderte von Merkmalen aus Daten extrahiert, die für das menschliche Auge schwer zu erkennen sind. Die Korrelation zwischen täglichen Vitalfunktionen, die von tragbaren Geräten überwacht werden, und funktionellen Anzeichen chronischer Herz-Kreislauf-Erkrankungen legt das Potenzial von KI bei der Erkennung des Krankheitsverlaufs nahe. Es mangelt an spezifischen Markern für die rechtsventrikuläre Funktion nach einer PE, und die Bedeutung und Veränderungen dieser Marker für den Krankheitsverlauf sind noch nicht erforscht.

Ziel dieser Studie ist die Entwicklung eines Vorhersagemodells für das Fortschreiten von RVD nach PE unter Verwendung von KI, das Elektromyographie, tragbare Geräte und Vitalitätsmarker kombiniert. In dieser prospektiven Kohortenstudie wurden 500 Patienten mit akuter PE mit mittlerem oder höherem Risiko eingeschlossen. Ungefähr 200 Patienten mit RVD bei der Entlassung wurden ein Jahr lang beobachtet, wobei täglich elektromyografische Daten mit tragbaren Elektromyographen erfasst wurden. Zu den folgenden Zeitpunkten wurden Bioproben entnommen: Aufnahme, Entlassung und Nachuntersuchung nach 3, 6 und 12 Monaten, und verschiedene Entzündungsmarker wurden mithilfe eines multifaktoriellen Tests an flüssigen Suspensionskernen gemessen. Diese Daten wurden in ein kontinuierliches Krankheitsdiagnosemodell integriert, das auf einer restriktiven Deep-Learning-Aktualisierungsstrategie basiert.

Letztendlich wurde ein kontinuierlicher Krankheitsdiagnose- und Prognosealgorithmus entwickelt, der ein Modell zur Vorhersage des Fortschreitens von RVD nach PE unter Verwendung multifaktorieller Tests an flüssigen Suspensionskernen zur Messung verschiedener Entzündungsmarker lieferte.