Optimoitu multimodaalinen koneoppimismenetelmä kardiotoksisen kemoterapian aikana sydämen vajaatoiminnan ennustamiseksi (MERMAID)

Tässä hankkeessa kehitetään automatisoitu koneoppimislähestymistapa käyttämällä multimodaalista dataa (kuvantaminen, laboratorio, elektrokardiografia ja kyselylomake) lisäämään sydämen vajaatoiminnan ymmärtämistä ja ennustamista sydäntoksiseen kemoterapiaan joutuvilla potilailla. Tämän algoritmin kehittää tekninen yhteistyökumppani Prof. Adam, joka johtaa Technionia, biolääketieteen tekniikan instituuttia.

Erityiset tavoitteet:

1. Keräämään kaikki saavutettavissa olevat tiedot potilailta, joille on suunniteltu kardiotoksinen kemoterapia lähtötilanteessa, enintään 6 kuukautta hoidon päättymisen jälkeen - koskien kuvantamista (MRI, kaikukardiografia tavanomaisella ja rasitusparametrilla), elektrokardiografiaa, biolääketieteellisiä markkereita (maksan, munuaisten ja sydämen toiminnan määrittämiseksi ja hematopoieettinen luuydin), kliininen parametri ja elämänlaatukysely:
2. Optimoida ja arvioida vankka koneoppimislähestymistapa, joka yhdistää ja arvioi kaikki nämä tiedot varhaisen sydänlihasvaurion havaitsemiseksi ja optimaalisen parametrin (yksittäisen tai yhdistelmänä) tunnistamiseksi subkliinisen vasemman kammion (LV) toimintahäiriön ennustamiseksi (nykyisen tutkimuksen vaihe 1) ).
3. Suorittaa kliininen tutkimus (nykyisen tutkimuksen vaihe 2) kemoterapiapotilailla ja tunnistaa subkliininen LV-häiriö, jota käytetään ohjaamaan sydäntä suojaavaa hoitoa käyttämällä uutta koneoppimislähestymistapaa verrattuna varsinaiseen standardimenettelyyn, jossa käytetään vain kaikukardiografista vasenta kammiota. ejektiofraktio (LVEF).

Tämän tutkimuksen tarkoituksena on arvioida ja optimoida koneoppimislähestymistapaa eri kuvantamismenetelmien tietojen yhdistämiseksi ja integroimiseksi laboratorio-, elektrokardiografia- ja kyselytietoihin kaikkien näiden parametrien arvon määrittämiseksi potilashoidossa tunnistamalla subkliinisen LV-häiriön, joka käytetään ohjaamaan sydäntä suojaavaa hoitoa verrattuna tavanomaiseen lähestymistapaan, jossa käytetään vain tavanomaisia ​​kaikukardiografisia parametreja.

MRI, tavanomaiset kaikuparametrit ja sydämen kaikukuvaukset käyttävät erilaisia ​​​​menetelmiä ja lähestymistapoja saadakseen käsityksen sydänkudoksesta ja muodonmuutoksista. Oletamme, että uusi ja optimoitu automatisoitu algoritmi, joka käyttää näitä menetelmiä ja integroi laboratorio-, elektrokardiografia- ja kyselytiedot, parantaa varhaisten LV-häiriöiden havaitsemista ja tuo uutta tietoa kemopotilaiden mahdollisesta vasteesta kardiotoksiseen hoitoon. Odotamme, että tämä algoritmi johtaa lisähoidon käyttöön, joka rajoittaa LV-häiriön kehittymistä, kemoterapian keskeytyksiä ja sydämen vajaatoiminnan kehittymistä seurannassa ja vähentää siten sairastuvuutta ja kustannuksia.