Maschinelles Lernen, um die frühe Diagnose akuter kardiovaskulärer Zustände zu steigern (MALBEC)

Der aktuelle Forschungszustand auf diesem Gebiet

Akute Herz -Kreislauf -Erkrankung (ACVD) ist die häufigste Todesursache in der Schweiz und in Europa, die für 29% der Todesfälle in der Schweiz und 36% in ganz Europa verantwortlich ist. Die zunehmende Prävalenz von ACVD, einschließlich akuter Myokardinfarkt (AMI), akuter Herzinsuffizienz (AHF), Lungenembolie (PE) und akutem Aortensyndromen (AAs), belastet die Gesundheitssysteme erheblich. Die Diagnose dieser Bedingungen in Notaufnahmen (EDS) ist aufgrund überlappender Symptome und der Notwendigkeit einer schnellen, genauen Entscheidungsfindung eine Herausforderung.

Die Einführung von kardiovaskulären Biomarkern, einschließlich hochempfindlicher Herz Troponin, Natriuretik-Peptid vom B-Typ und D-Dimer, hat eine frühzeitige Diagnose revolutioniert. Diese Biomarker sind neben klinischen Bewertungen und Elektrokardiogrammen (EKGs) heute wesentliche diagnostische Instrumente. Aktuelle diagnostische Algorithmen haben jedoch immer noch enorme Einschränkungen.

Die jüngsten Fortschritte im maschinellen Lernen (ML) und Deep Learning (DL) bieten Möglichkeiten zur Verbesserung der Diagnose. ML-basierte EKG-Interpretation und DTL-Techniken (Deep Transferable Learning) könnten die diagnostische Genauigkeit verbessern, indem komplexe EKG- und Biomarker-Daten integriert werden. Automl -Ansätze können diese Modelle weiter verfeinern, das menschliche Fehler reduzieren und die klinischen Workflows verbessern.

Das Forschungsteam hat mehrere groß angelegte Studien durchgeführt, die zu signifikanten Fortschritten bei der kardiovaskulären Biomarkerforschung und der Präzisionsmedizin führten. Ihre Beiträge umfassen:

• Validierung des MI3 -Modells, das ML verwendet, um Nstemi zu verbessern
• Einführung des Basel -EKG -Scores, einem quantitativen Instrument, das die NSTEMI -Diagnose verbessert.
• Validierung von Code-ACs, einer ml-basierten klinischen Entscheidungs-Support-Tool, die die Wahrscheinlichkeit von NSTEMI effektiver als Standard-Herz-Troponin-Schwellenwerte vorhersagt.

Das Team konzentriert sich nun darauf, EKG-Daten mit Biomarkern mit AI/ML zu integrieren, um die Genauigkeit zu verbessern und Entscheidungen zu automatisieren. Die Zusammenarbeit mit internationalen Experten hat die erfolgreiche Anwendung neuronaler Netzwerke auf die Interpretation von EKG ermöglicht. Die nächsten Schritte umfassen:

• Verfeinerung der EKG-basierten EKG-Basis-Interpretation von ML, um nichtadditive Effekte einzubeziehen.
• Erweiterung von ML -Modellen auf mehrere kardiovaskuläre Bedingungen jenseits der AMI.
• Integration dieser kI-gesteuerten Tools in klinische Arbeitsabläufe und elektronische Gesundheitsakten.

Diese Forschung zielt darauf ab, die kardiovaskuläre Diagnostik zu revolutionieren, indem KI und ML für präzise, ​​schnellere und klinisch relevante Entscheidungen eingesetzt werden.

Ziele:

1. Entwickeln und implementieren Sie ein Tool für klinische Entscheidungsunterstützung, mit dem wichtige diagnostische Daten visualisiert werden.
2. Bilden Sie ML -Modelle und validieren Sie zur Diagnose akuter Herz -Kreislauf -Erkrankungen (ACVD).
3. Vergleichen Sie die ML -Modellleistung mit vorhandenen diagnostischen Algorithmen.
4. Validieren Sie ML -Modelle in großen internationalen klinischen Studien.
5. Integrieren Sie ML -Modelle in die elektronische Patientenakten im Basel des Universitätskrankenhauses.