急性心血管条件の早期診断を後押しする機械学習 (MALBEC)

現場での現在の研究の状態

急性心血管疾患（ACVD）は、スイスとヨーロッパの主要な死因であり、スイスでの死亡の29％、ヨーロッパの36％の原因です。 急性心筋梗塞（AMI）、急性心不全（AHF）、肺塞栓症（PE）、および急性大動脈症候群（AAS）を含むACVDの有病率の増加は、医療システムに重大な負担をかけます。 救急部門（EDS）でのこれらの状態の診断は、症状が重複しているため、迅速で正確な意思決定の必要性のために困難です。

高感度心臓トロポニン、B型ナトリウム利尿ペプチド、D-ディマーを含む心血管バイオマーカーの導入は、早期診断に革命をもたらしました。 これらのバイオマーカーは、臨床評価と心電図（ECG）とともに、現在、不可欠な診断ツールです。 ただし、現在の診断アルゴリズムには依然として大きな制限があります。

機械学習（ML）とディープラーニング（DL）の最近の進歩は、診断を改善する機会を提供します。 MLベースのECG解釈と深い移転可能な学習（DTL）技術は、複雑なECGとバイオマーカーデータを統合することにより、診断精度を向上させる可能性があります。 Automlアプローチは、これらのモデルをさらに改良し、ヒューマンエラーを減らし、臨床ワークフローを改善できます。

研究チームは、心血管バイオマーカーの研究と精密医学の大幅な進歩につながる複数の大規模な研究を実施してきました。 彼らの貢献には次のものがあります：

• MLを使用してNSTEMIを改善するMI3モデルの検証
• NSTEMI診断を強化する定量的ツールであるバーゼルECGスコアの導入。
• 標準的な心臓トロポニンのしきい値よりも効果的にNSTEMIの確率を予測するMLベースの臨床意思決定サポートツールであるCode-ACSの検証。

チームは現在、AI/MLを使用してECGデータをバイオマーカーと統合して、精度を高め、意思決定を自動化することに焦点を当てています。 国際的な専門家とのコラボレーションにより、ニューラルネットワークをECG解釈に成功させることができました。 次の手順には次のものがあります。

• MLベースのECG解釈を精製して、非加法効果を組み込みます。
• MLモデルを拡張して、AMIを超えた複数の心血管条件を含む。
• これらのAI駆動型ツールを臨床ワークフローと電子健康記録に統合します。

この研究の目的は、より正確で、より速く、臨床的に関連する意思決定のために、AIとMLを活用することにより、心血管診断に革命を起こすことを目的としています。

目的：

1. 主要な診断データを視覚化する臨床意思決定サポートツールを開発および実装します。
2. MLモデルを訓練および検証して、急性心血管疾患（ACVD）を診断します。
3. MLモデルのパフォーマンスを既存の診断アルゴリズムと比較します。
4. 大規模な国際臨床試験でMLモデルを検証します。
5. MLモデルを大学病院バーゼルの電子患者記録に統合します。