Koneoppiminen akuutin sydän- ja verisuoniolosuhteiden varhaisen diagnoosin lisäämiseksi (MALBEC)

Alan tutkimustila

Akuutti sydän- ja verisuonisairaus (ACVD) on johtava kuolinsyy Sveitsissä ja Euroopassa, mikä vastaa 29 prosenttia Sveitsin kuolemista ja 36 prosenttia Euroopassa. ACVD: n lisääntyvä esiintyvyys, mukaan lukien akuutti sydäninfarkti (AMI), akuutti sydämen vajaatoiminta (AHF), keuhkoembolia (PE) ja akuutti aortan oireyhtymät (AAS), asettaa merkittävän taakan terveydenhuoltojärjestelmille. Näiden sairauksien diagnosointi hätäosastoilla (EDS) on haastava päällekkäisten oireiden ja nopean, tarkan päätöksenteon tarpeen vuoksi.

Sydän- ja verisuonien biomarkkereiden, mukaan lukien erittäin herkkyys sydämen troponiini, B-tyyppinen natriureettinen peptidi ja D-dimeeri, käyttöönotto on mullisti varhaisen diagnoosin. Nämä biomarkkerit kliinisten arviointien ja elektrokardiogrammien (EKG) ohella ovat nyt välttämättömiä diagnoosityökaluja. Nykyisillä diagnostisilla algoritmeilla on kuitenkin edelleen valtavia rajoituksia.

Viimeaikaiset edistykset koneoppimisessa (ML) ja syvän oppimisessa (DL) tarjoavat mahdollisuuksia parantaa diagnoosia. ML-pohjaiset EKG-tulkinta- ja syvän siirrettävän oppimisen (DTL) tekniikat voisivat parantaa diagnostista tarkkuutta integroimalla monimutkainen EKG- ja biomarkkeritiedot. Automl -lähestymistavat voivat edelleen tarkentaa näitä malleja, vähentää ihmisen virheitä ja parantaa kliinisiä työnkulkuja.

Tutkimusryhmä on suorittanut useita laajamittaisia ​​tutkimuksia, jotka ovat johtaneet merkittäviin kehitykseen sydän- ja verisuonitautien biomarkkereiden tutkimuksessa ja tarkkuuslääketieteessä. Heidän panoksensa ovat:

• MI3 -mallin validointi, joka käyttää ML: tä NSTEMI: n parantamiseen
• Basel -EKG -pistemäärän, kvantitatiivinen työkalu, joka parantaa NSTEMI -diagnoosia.
• Koodi-ACS: n, ML-pohjaisen kliinisen päätöksentuen tukityökalu, joka ennustaa NSTEMI: n todennäköisyyden tehokkaammin kuin tavanomaiset sydämen troponiinikynnysarvot.

Ryhmä keskittyy nyt EKG-tietojen integrointiin biomarkkereihin AI/ML: n avulla tarkkuuden parantamiseksi ja päätöksenteon automatisoimiseksi. Yhteistyö kansainvälisten asiantuntijoiden kanssa on mahdollistanut hermoverkkojen onnistuneen soveltamisen EKG -tulkintaan. Seuraavat vaiheet sisältävät:

• ML-pohjaisen EKG-tulkinnan parantaminen ei-additiivisten vaikutusten sisällyttämiseksi.
• Laajennetaan ML -malleja sisällyttämään useita sydän- ja verisuonitalot AMI: n ulkopuolelle.
• Näiden AI-pohjaisten työkalujen integrointi kliinisiin työnkulkuihin ja sähköisiin terveystietueisiin.

Tämän tutkimuksen tavoitteena on mullistaa sydän- ja verisuonidiagnostiikka hyödyntämällä AI: tä ja ML: tä tarkemmin, nopeamman ja kliinisesti merkityksellisen päätöksenteon saavuttamiseksi.

Tavoitteet:

1. Kehitä ja toteuttaa kliinisen päätöksenteon tukityökalu, joka visualisoi keskeiset diagnostiikkatiedot.
2. Harjoittele ja validoi ML -mallit akuutin sydän- ja verisuonisairauksien (ACVD) diagnosoimiseksi.
3. Vertaa ML -mallin suorituskykyä olemassa oleviin diagnostisiin algoritmeihin.
4. Validoi ML -mallit suurissa kansainvälisissä kliinisissä tutkimuksissa.
5. Integroi ML -mallit Baselin yliopistollisen sairaalan elektroniseen potilasrekisteriin.