발생하는 심부전을 예측하기 위해 심장 독성 화학 요법 동안 최적화된 다중 방식 기계 학습 접근 방식 (MERMAID)

현재 프로젝트는 심장 독성 화학 요법이 예정된 환자의 심부전 발생에 대한 이해와 예측을 높이기 위해 다중 양식 데이터(영상, 실험실, 심전도 및 설문지)를 사용하여 자동화된 기계 학습 접근 방식을 개발할 것입니다. 이 알고리즘은 의생명공학연구소인 Technion을 이끄는 기술 협력 파트너인 Adam 교수가 개발할 것입니다.

구체적인 목표:

1. 치료 종료 후 최대 6개월까지 기준선에서 심장 독성 화학 요법이 예정된 환자로부터 달성 가능한 모든 데이터 수집 - 이미징(MRI, 기존 및 변형 매개변수를 사용한 심초음파 검사), 심전도, 생체 의학 마커(간, 신장, 심장의 기능을 정의하기 위해) 및 조혈 골수), 임상 매개변수 및 삶의 질 설문지:
2. 초기 심근 손상을 감지하고 무증상 좌심실(LV) 기능 장애(현재 연구의 1단계) 예측을 위한 최적의 매개변수(단일 또는 조합)를 식별하기 위해 이러한 모든 데이터를 통합하고 평가하는 강력한 기계 학습 접근 방식을 최적화하고 평가합니다. ).
3. 화학 요법 환자의 임상 연구(현재 연구의 2단계)를 수행하고 심초음파 좌심실만을 사용하는 실제 표준 절차와 비교하여 새로운 기계 학습 접근 방식을 사용하여 심장 보호 요법을 안내하는 데 사용될 무증상 좌심실 기능 장애를 식별합니다. 방출률(LVEF).

이 연구의 목적은 무증상 좌심실 기능 장애를 식별하여 환자 관리에서 이러한 모든 매개변수의 가치를 정의하기 위해 실험실, 심전도 및 설문지 정보와 다양한 영상 양식의 데이터를 결합하고 통합하는 기계 학습 접근 방식을 평가하고 최적화하는 것입니다. 기존의 심초음파 매개변수만 사용하는 표준 접근법과 비교하여 심장 보호 요법을 안내하는 데 사용됩니다.

MRI, 기존 심초음파 파라미터 및 심초음파 심근 변형 영상은 심근 조직 및 변형에 대한 통찰력을 얻기 위해 다양한 방식과 접근 방식을 사용하고 있습니다. 우리는 이러한 양식과 통합 실험실, 심전도 및 설문지 정보를 사용하는 새롭고 최적화된 자동 알고리즘이 초기 좌심실 기능 장애의 감지를 개선하고 심장 독성 요법에 대한 화학 요법 환자의 잠재적 반응에 대한 새로운 통찰력을 가져올 것이라고 가정합니다. 우리는 이 알고리즘이 좌심실 기능 장애의 발달, 화학 요법의 중단 및 후속 조치에서 심부전의 발달을 제한하는 보조 요법의 사용으로 이어져 이환율과 비용을 줄일 것으로 기대합니다.