Pitkäaikaisen sydämen toiminnan ennustemalli keuhkoembolian jälkeen, joka perustuu dynaamiseen elektrokardiaaliseen signaaliin ja kiertäviin biomarkkereihin

Keuhkoembolia (PE) on erittäin sairas ja kuolemaan johtava sydän- ja verisuonisairaus. PE:n sekundaarinen oikean kammion toimintahäiriö (RVD) osoittaa huonoa ennustetta ja toimii kriittisenä perustana riskin jakautumiselle. Viimeaikaiset tutkimukset ovat osoittaneet, että yli kolmasosa potilaista kokee edelleen RVD:tä vuoden kuluttua PE, ja mekanismit ja regressio ovat edelleen epäselviä. Vaikka elektrokardiografia (EKG) on yleisimmin käytetty sydänsairauksien testi, sen diagnostinen spesifisyys PE:n suhteen on rajallinen.

Viime vuosina tekoäly (AI) on onnistuneesti poiminut tiedosta satoja ominaisuuksia, joita ihmissilmän on vaikea tunnistaa. Korrelaatio puettavien laitteiden päivittäisten elintoimintojen ja kroonisen sydän- ja verisuonitaudin toiminnallisten merkkien välillä viittaa AI:n potentiaaliin taudin etenemisen havaitsemisessa. Spesifisiä markkereita oikean kammion toiminnalle PE:n jälkeen ei ole, eikä näiden merkkien merkitystä ja muutoksia taudin etenemisessä ole vielä tutkittu.

Tämän tutkimuksen tavoitteena on kehittää ennustava malli RVD:n etenemiselle PE:n jälkeen käyttämällä tekoälyä, jossa yhdistyvät elektromyografia, puettavat laitteet ja elinvoimaisuusmerkit. Tähän prospektiiviseen kohorttitutkimukseen otettiin mukaan 500 potilasta, joilla oli akuutti PE, jonka riski oli keskitasoinen tai suurempi. Noin 200:aa RVD-potilasta kotiutuksen yhteydessä seurattiin vuoden ajan, ja päivittäin kerättiin sähkömyografiatietoja kannettavilla elektromyografioilla. Bionäytteet kerättiin seuraavina ajankohtina: sisääntulo, kotiuttaminen ja seuranta 3, 6 ja 12 kuukauden kohdalla, ja erilaisia ​​tulehdusmarkkereita mitattiin käyttämällä monitekijäistä määritystä nestemäisistä suspensioytimistä. Nämä tiedot integroitiin jatkuvaan sairauden diagnostiseen malliin, joka perustui syväoppimista rajoittavaan päivitysstrategiaan.

Lopulta kehitettiin jatkuva sairauden diagnoosi- ja ennustealgoritmi, joka tuotti mallin RVD:n etenemisen ennustamiseksi PE:n jälkeen käyttämällä monitekijämäärityksiä nestemäisillä suspensioytimillä erilaisten tulehdusmerkkiaineiden mittaamiseksi.