급성 심혈관 조건의 조기 진단을 촉진하는 머신 러닝 (MALBEC)

현장에서의 현재 연구 상태

급성 심혈관 질환 (ACVD)은 스위스와 유럽에서 사망의 주요 원인으로 스위스에서 사망의 29%, 유럽 전역에서 36%를 차지합니다. 급성 심근 경색 (AMI), 급성 심부전 (AHF), 폐색전증 (PE) 및 급성 대동맥 증후군 (AAS)을 포함한 ACVD의 증가는 의료 시스템에 상당한 부담을줍니다. 응급실 (EDS)에서 이러한 상태를 진단하는 것은 증상이 겹치는 증상과 빠르고 정확한 의사 결정의 필요성으로 인해 어려운 일입니다.

고감도 심장 트로포닌, B- 타입 나트륨 이뇨 펩티드 및 D- 이형을 포함한 심혈관 바이오 마커의 도입은 조기 진단에 혁명을 일으켰다. 임상 평가 및 심전도 (ECG)와 함께 이러한 바이오 마커는 이제 필수 진단 도구입니다. 그러나 현재 진단 알고리즘은 여전히 ​​엄청난 한계가 있습니다.

머신 러닝 (ML) 및 딥 러닝 (DL)의 최근 발전은 진단을 개선 할 수있는 기회를 제공합니다. ML 기반 ECG 해석 및 DTL (Dep Jransfable Learning) 기술은 복잡한 ECG 및 바이오 마커 데이터를 통합하여 진단 정확도를 향상시킬 수 있습니다. Automl 접근 방식은 이러한 모델을 더 세분화하여 인간의 오류를 줄이고 임상 워크 플로를 개선 할 수 있습니다.

연구팀은 심혈관 바이오 마커 연구 및 정밀 의학에서 상당한 발전으로 이어지는 여러 대규모 연구를 수행했습니다. 그들의 기여에는 다음이 포함됩니다.

• ML을 사용하여 NSTEMI를 개선하는 MI3 모델의 검증
• NSTEMI 진단을 향상시키는 정량적 도구 인 Basel ECG 점수의 도입.
• 표준 심장 트로포닌 임계 값보다 NSTEMI의 확률을보다 효과적으로 예측하는 ML 기반 임상 결정 지원 Tool 인 Code-ACS의 검증.

이 팀은 이제 AI/ML을 사용하여 ECG 데이터를 바이오 마커와 통합하여 정확성을 높이고 의사 결정을 자동화하는 데 중점을두고 있습니다. 국제 전문가와의 협력을 통해 신경망을 ECG 해석에 성공적으로 적용 할 수있었습니다. 다음 단계는 다음과 같습니다.

• 비 첨가 효과를 통합하기 위해 ML 기반 ECG 해석을 정제합니다.
• AMI 이상의 다중 심혈관 조건을 포함하도록 ML 모델을 확장합니다.
• 이러한 AI 중심 도구를 임상 워크 플로 및 전자 건강 기록에 통합합니다.

이 연구는 AI 및 ML을보다 정확하고 빠르며 임상 적으로 관련된 의사 결정을 위해 AI 및 ML을 활용하여 심혈관 진단을 혁신하는 것을 목표로합니다.

목표 :

1. 주요 진단 데이터를 시각화하는 임상 의사 결정 지원 도구를 개발하고 구현하십시오.
2. 급성 심혈관 질환 (ACVD)을 진단하도록 ML 모델을 훈련시키고 검증하십시오.
3. ML 모델 성능을 기존 진단 알고리즘과 비교하십시오.
4. 대규모 국제 임상 시험에서 ML 모델을 검증하십시오.
5. ML 모델을 University Hospital Basel의 전자 환자 기록에 통합하십시오.