Koneoppiminen kvantitatiivisessa stressikaikukardiografiassa (MLQSE)

Uusi rintakipu on yleinen vaiva ja voi olla merkki merkittävästä sydän- ja verisuonisairaudesta sekä sydäninfarktin ja kuoleman riskistä; siksi tarkan diagnoosin saaminen on ratkaisevan tärkeää potilaan hoidon ohjaamiseksi. On huomionarvoista, että vain 40–50 %:lle potilaista, joilla on invasiivinen arteriografia, suoritetaan myöhemmin revaskularisaatio. Tämä korostaa ennen arteriografiaa käytettyjen alkuperäisten testien epätarkkuutta.

Historiallisesti elektrokardiografista rasitustestiä rasituksen aikana on käytetty indusoituvan sydänlihasiskemian havaitsemiseen, mutta sen diagnostinen herkkyys ja spesifisyys ovat alhaiset (noin 65 %). Diagnostista tarkkuutta voidaan parantaa sisällyttämällä kaikukardiografia tai yksifotoniemissiotietokonetomografia. Nykyiset NICE-ohjeet suosittelevat, että potilaille, joilla on äskettäin alkanut rintakipu, tulisi ensisijaisesti tutkia CT-sepelvaltimon angiografia, ja jos tämä paljastaa merkittävän ahtauman, tulee suorittaa toiminnallinen kuvantamistesti.

Myocardial Doppler in Stress Echocardiography (MYDISE) -tutkimuksessa arvioitiin kvantitatiivisen stressikaikukardiografian diagnostista arvoa dobutamiinin, lyhytvaikutteisen synteettisen katekoliamiinin, joka vaikuttaa β-1-adrenergisiin reseptoreihin ja lisää sydämen sykettä ja sydänlihaksen supistumiskykyä, infuusion aikana. LV:n pitkän akselin toiminnan systolisten nopeuksien mittaamisella huippujännityksen aikana oli hyvä toistettavuus (variaatiokertoimet perussegmenteissä 9-14 % levossa ja 11-18 % huippurasituksessa) ja samanlaiset herkkyydet ja spesifisyydet (noin 70 %) kuin julkaistu. tutkimukset, joissa asiantuntijatarkkailijat raportoivat seinän liikepisteistä. Iän, sukupuolen ja sykkeen riippumattomilla vaikutuksilla oikaistuna diagnostinen tarkkuus parani kuitenkin merkittävästi C-tilastoilla (vastaanotin-operaattorikäyrien alla oleva pinta-ala) jopa 90 prosenttiin.

Stressikaikukardiografian visuaalinen analyysi sydänlihaksen iskemian havaitsemiseksi riippuu useiden parametrien kvalitatiivisesta arvioinnista. Kvantitatiivisen stressikaikukardiografian suuret tutkimukset ovat rajoittuneet parhaan yksittäisen kaikukardiografisen muuttujan tunnistamiseen, ja niissä on käytetty halkaisijastenoosia vertailukriteerinä. Alueellisen (pitkän akselin) sydänlihaksen toiminnan progressiivinen subkliininen heikkeneminen on osoitettu henkilöillä, joilla on kardiovaskulaarisia riskitekijöitä, mikä vaikuttaa sydänlihaksen muodonmuutokseen (venymä ja venymisnopeus) sekä nopeuksiin. Iskemia muuttaa tapahtumien ajoitusta sydänsyklin aikana - esimerkiksi pitkittää ejektiota edeltäviä ja ejektion jälkeisiä vaiheita. Nämä tekijät vahvistavat kliinisen tarpeen mitata objektiivisesti alueellista sydänlihaksen toimintaa koko sydänsyklin ajan.

Nyt on mahdollista luoda algoritmeja, jotka eivät perustu vain yhteen ajankohtaan (esim. huippunopeuteen), vaan luottavat sen sijaan koko nopeusjäljen analyysiin. Tätä käsitettä voidaan myös laajentaa kattamaan venymä- ja venymänopeuskäyrät. Barcelonan Pompeu Fabran yliopiston tutkijat ovat kehittäneet tämän lähestymistavan luodakseen tilastollisen sydämen kartaston dyssynkronian havaitsemiseksi. Samanlaista konseptia on sovellettu usean ytimen oppimisen avulla potilaisiin, joilla on hengenahdistus ja joille on tehty rasitustestit diastolisen sydämen vajaatoiminnan tunnistamiseksi. Tämä on mahdollistanut koko sydämen syklin nopeusjälkien vertaamisen ja erottelun kontrollin välillä. henkilöt (joilla on hengenahdistus ja ilman) ja ne, joilla on diagnosoitu sydämen vajaatoiminta, jossa on säilynyt ejektiofraktio (HFpEF); suurimmat havaitut erot ovat varhaisessa diastolisessa toiminnassa. Tätä sovellusta ei ole aiemmin käytetty indusoituvan sydänlihasiskemian tutkimiseen stressikaikukardiografiassa, mutta samanlaisia ​​löydöksiä voidaan odottaa, koska muutokset diastolen aikana ovat yksi aikaisimpia ja herkimpiä sydänlihasiskemian indikaattoreita. Leuvenin yliopiston henkilöt (prof Jan D'hooge) ovat äskettäin kehittäneet ohjattuja koneoppimismenetelmiä, jotka mahdollistavat sydänlihassegmenttien automaattisen luokittelun niiden paikallisen mekaanisen käyttäytymisen perusteella (esim. nopeus/venymä/venymänopeus) harjoitusvaiheen jälkeen; ehdotettu koneoppimislähestymistapa päihittää iskeemisten segmenttien luokittelussa asiantuntijan seinän liikelukemat sekä segmentaalisen jännitysjälkien (nopeus) asiantuntijatulkinnat.