Geoptimaliseerde machinale leerbenadering met meerdere modaliteiten tijdens cardiotoxische chemotherapie om opkomend hartfalen te voorspellen (MERMAID)

Het huidige project zal een geautomatiseerde machine learning-benadering ontwikkelen met behulp van multi-modaliteitsgegevens (beeldvorming, laboratorium, elektrocardiografie en vragenlijst) om het begrip en de voorspelling van optredend hartfalen te vergroten bij patiënten die gepland zijn voor cardiotoxische chemotherapie. Dit algoritme zal worden ontwikkeld door de technische samenwerkingspartner prof. Adam die het Technion leidt, het instituut voor biomedische technologie.

Specifieke doelen:

1. Alle haalbare gegevens verzamelen van patiënten bij wie cardiotoxische chemotherapie is gepland bij baseline, tot 6 maanden na beëindiging van de therapie - met betrekking tot beeldvorming (MRI, echocardiografie met conventionele en rekparameter), elektrocardiografie, biomedische markers (om de functie van lever, nier, hart en hematopoietisch beenmerg), klinische parameter en vragenlijst over kwaliteit van leven:
2. Het optimaliseren en evalueren van een robuuste machine learning-benadering die al deze gegevens integreert en beoordeelt om vroege myocardbeschadiging te detecteren en om een ​​optimale parameter (enkel of in combinatie) te identificeren voor de voorspelling van subklinische linkerventrikeldisfunctie (fase 1 van de huidige studie ).
3. Om een ​​klinische studie uit te voeren (fase 2 van de huidige studie) van chemotherapiepatiënten en om subklinische LV-disfunctie te identificeren, die zal worden gebruikt om cardioprotectieve therapie te begeleiden met behulp van de nieuwe machinale leerbenadering in vergelijking met de feitelijke standaardprocedure waarbij alleen echocardiografische linker ventrikel wordt gebruikt ejectiefractie (LVEF).

Het doel van deze studie is het evalueren en optimaliseren van een machinale leerbenadering om gegevens van verschillende beeldvormingsmodaliteiten te combineren en te integreren met laboratorium-, elektrocardiografie- en vragenlijstinformatie om de waarde van al deze parameters in patiëntbeheer te bepalen, door identificatie van subklinische LV-disfunctie, die zal worden gebruikt om cardioprotectieve therapie te begeleiden in vergelijking met een standaardbenadering die alleen conventionele echocardiografische parameters gebruikt.

MRI, conventionele echocardiografische parameters en echocardiografische beeldvorming van myocarddeformatie maken gebruik van verschillende modaliteiten en benaderingen om inzicht te krijgen in myocardweefsel en deformatie. Onze hypothese is dat een nieuw en geoptimaliseerd geautomatiseerd algoritme dat deze modaliteiten gebruikt en laboratorium-, elektrocardiografie- en vragenlijstinformatie integreert, de detectie van vroege LV-disfuncties zal verbeteren en nieuwe inzichten zal brengen in de mogelijke respons van chemopatiënten op cardiotoxische therapie. We verwachten dat dit algoritme leidt tot het gebruik van aanvullende therapie die de ontwikkeling van LV-disfunctie, onderbrekingen van chemotherapie en ontwikkeling van hartfalen in de follow-up zal beperken en zo de morbiditeit en kosten zal verminderen.