Apprendimento automatico per aumentare la diagnosi precoce delle condizioni cardiovascolari acute (MALBEC)

Stato attuale di ricerca sul campo

La malattia cardiovascolare acuta (ACVD) è la principale causa di morte in Svizzera e in Europa, responsabile del 29% dei decessi in Svizzera e del 36% in tutta Europa. La crescente prevalenza di ACVD, inclusi infarto miocardico acuto (AMI), insufficienza cardiaca acuta (AHF), embolia polmonare (PE) e sindromi aortiche acute (AAS), pone un onere significativo per i sistemi sanitari. La diagnosi di queste condizioni nei dipartimenti di emergenza (EDS) è impegnativa a causa dei sintomi sovrapposti e della necessità di un processo decisionale rapido e accurato.

L'introduzione di biomarcatori cardiovascolari, tra cui la troponina cardiaca ad alta sensibilità, il peptide natriuretico di tipo B e D-Dimer ha rivoluzionato la diagnosi precoce. Questi biomarcatori, insieme a valutazioni cliniche e elettrocardiogrammi (ECG), sono ora strumenti diagnostici essenziali. Tuttavia, gli attuali algoritmi diagnostici hanno ancora enormi limiti.

I recenti progressi nell'apprendimento automatico (ML) e nell'apprendimento profondo (DL) offrono opportunità per migliorare la diagnosi. L'interpretazione ECG basata su ML e le tecniche di apprendimento profonda (DTL) potrebbero migliorare l'accuratezza diagnostica integrando dati complessi ECG e biomarcatori. Gli approcci AUTOML possono perfezionare ulteriormente questi modelli, riducendo l'errore umano e migliorando i flussi di lavoro clinici.

Il team di ricerca ha condotto numerosi studi su larga scala che hanno portato a significativi progressi nella ricerca cardiovascolare dei biomarcatori e nella medicina di precisione. I loro contributi includono:

• Convalida del modello MI3, che utilizza ML per migliorare NSTEMI
• Introduzione del punteggio ECG di Basilea, uno strumento quantitativo che migliora la diagnosi di NSTEMI.
• Convalida di Code-ACS, un utensile di supporto clinico basato su ML che prevede la probabilità di NSTEMI in modo più efficace rispetto alle soglie di troponina cardiaca standard.

Il team si concentra ora sull'integrazione dei dati ECG con i biomarcatori che utilizzano AI/ML per migliorare l'accuratezza e automatizzare il processo decisionale. La collaborazione con esperti internazionali ha consentito l'applicazione di successo delle reti neurali all'interpretazione dell'ECG. I prossimi passaggi includono:

• Raffinamento dell'interpretazione ECG a base di ML per incorporare effetti non additivi.
• Espandere i modelli ML per includere più condizioni cardiovascolari oltre l'AMI.
• Integrazione di questi strumenti guidati dall'intelligenza artificiale in flussi di lavoro clinici e cartelle cliniche elettroniche.

Questa ricerca mira a rivoluzionare la diagnostica cardiovascolare sfruttando AI e ML per un processo decisionale più preciso, più veloce e clinicamente rilevante.

Obiettivi:

1. Sviluppare e implementare uno strumento di supporto alle decisioni cliniche che visualizza i dati diagnostici chiave.
2. Train e convalida modelli ML per diagnosticare le malattie cardiovascolari acute (ACVD).
3. Confronta le prestazioni del modello ML con gli algoritmi diagnostici esistenti.
4. Convalida modelli ML in grandi studi clinici internazionali.
5. Integrare i modelli ML nella documentazione elettronica del paziente presso l'ospedale universitario Basilea.