Entwicklung und Validierung eines kardialen Magnetresonanz-basierten multimodalen Deep-Learning-Modells zur Langzeitprognose bei ST-Hebungs-Myokardinfarkt

Ziel: Diese Studie zielt darauf ab, ein neuartiges, auf künstlicher Intelligenz basierendes Vorhersagemodell zu entwickeln und zu testen. Dieses Modell wird kardiale Magnetresonanztomographie und klinische Daten integrieren, um das langfristige Risiko schwerwiegender unerwünschter kardiovaskulärer Ereignisse bei Patienten vorherzusagen, die sich einer Notfall-Perkutanen Koronarintervention bei ST-Strecken-Hebungs-Myokardinfarkt unterzogen haben.

Beschreibung: Diese Studie plant, Patienten mit STEMI einzuschließen, die eine primäre PCI erhalten haben. Etwa eine Woche nach dem Eingriff werden die Patienten eine kardiale Magnetresonanzuntersuchung durchführen. Gleichzeitig werden wir die grundlegenden Informationen der Patienten, die Blutuntersuchungsergebnisse während der Behandlung und die Eingriffsprotokolle sammeln. Anschließend werden die Patienten regelmäßig (alle sechs Monate) nachbeobachtet, um das Auftreten schwerwiegender unerwünschter kardialer Ereignisse zu dokumentieren, wie kardiovaskulärer Tod, wiederkehrender Myokardinfarkt, Krankenhausaufenthalt aufgrund von Herzinsuffizienz oder ungeplante Wiederholungsrevaskularisation. Alle gesammelten Daten, einschließlich klinischer Daten und analysierter kardialer MR-Bilder, werden verwendet, um ein multimodales Deep-Learning-Modell zu konstruieren. Das Modell wird lernen, Merkmale zu identifizieren, die mit zukünftigen Herzproblemen assoziiert sind. Die Genauigkeit des Modells wird in verschiedenen Patientengruppen getestet und validiert.

Potenzielle Auswirkungen: Bei Erfolg könnte dieses Vorhersagewerkzeug Ärzten dabei helfen, Hochrisikopatienten früher und genauer zu identifizieren, was eine engere Überwachung und zeitgerechtere Interventionen ermöglicht und letztendlich die langfristige Prognose für diese Patienten verbessert.