Modello prognostico per la funzione cardiaca a lungo termine dopo embolia polmonare basato sul segnale elettrocardico dinamico e sui biomarcatori circolanti

L’embolia polmonare (EP) è una malattia cardiovascolare altamente morbosa e fatale. La disfunzione ventricolare destra (RVD) secondaria a EP indica una prognosi sfavorevole e funge da base critica per la stratificazione del rischio. Studi recenti hanno dimostrato che oltre un terzo dei pazienti continua a manifestare RVD un anno dopo l’EP, con meccanismi e regressione che rimangono poco chiari. Sebbene l'elettrocardiografia (ECG) sia l'esame più comunemente utilizzato per le malattie cardiache, la sua specificità diagnostica per l'EP è limitata.

Negli ultimi anni, l’intelligenza artificiale (AI) è riuscita a estrarre con successo centinaia di caratteristiche da dati difficili da riconoscere per l’occhio umano. La correlazione tra i segni vitali giornalieri monitorati da dispositivi indossabili e i segni funzionali delle malattie cardiovascolari croniche suggerisce il potenziale dell’intelligenza artificiale nel rilevare la progressione della malattia. Mancano marcatori specifici per la funzione ventricolare destra post-EP e il significato e i cambiamenti di questi marcatori nella progressione della malattia non sono stati ancora esplorati.

Questo studio mira a sviluppare un modello predittivo per la progressione della RVD dopo EP utilizzando l'intelligenza artificiale, combinando elettromiografia, dispositivi indossabili e marcatori di vitalità. In questo studio prospettico di coorte sono stati arruolati 500 pazienti con EP acuta a rischio intermedio o elevato. Circa 200 pazienti con RVD alla dimissione sono stati seguiti per un anno, con dati elettromiografici giornalieri raccolti utilizzando elettromiografi portatili. I campioni biologici sono stati raccolti ai seguenti tempi: ricovero, dimissione e follow-up a 3, 6 e 12 mesi e una varietà di marcatori infiammatori sono stati misurati utilizzando un test multifattoriale su nuclei di sospensione liquida. Questi dati sono stati integrati in un modello diagnostico di malattia continuo basato su una strategia di aggiornamento restrittivo di deep learning.

Infine, è stato sviluppato un algoritmo continuo di diagnosi e prognosi della malattia, che ha prodotto un modello per prevedere la progressione della RVD dopo EP utilizzando test multifattoriali su nuclei di sospensione liquida per misurare vari marcatori infiammatori.