Machine Learning in kwantitatieve stress-echocardiografie (MLQSE)

Opnieuw beginnende pijn op de borst is een veel voorkomende klacht en kan een teken zijn van significante cardiovasculaire aandoeningen en het risico op een hartinfarct en overlijden; daarom is het verkrijgen van een nauwkeurige diagnose van cruciaal belang om het patiëntenbeheer te begeleiden. Het is opmerkelijk dat slechts 40-50% van de patiënten met invasieve arteriografie vervolgens revascularisatie ondergaat. Dit onderstreept de onnauwkeurigheid van de eerste tests die voorafgaand aan arteriografie werden gebruikt.

Historisch gezien zijn elektrocardiografische stresstests tijdens inspanning gebruikt om induceerbare myocardischemie te detecteren, maar de diagnostische sensitiviteit en specificiteit zijn laag (ongeveer 65%). De diagnostische nauwkeurigheid kan worden verbeterd door echocardiografie of computertomografie met enkelvoudige fotonenemissie toe te voegen. De huidige NICE-richtlijnen bevelen aan dat patiënten met recent ontstane pijn op de borst moeten worden onderzocht met CT-coronaire angiografie als eerste lijn, en als dit een significante stenose aan het licht brengt, moet een functionele beeldvormende test worden uitgevoerd.

De Myocardial Doppler in Stress Echocardiography (MYDISE)-studie beoordeelde de diagnostische waarde van kwantitatieve stress-echocardiografie tijdens de infusie van dobutamine, een kortwerkende synthetische catecholamine die inwerkt op β-1-adrenerge receptoren om de hartslag en myocardiale contractiliteit te verhogen. Het meten van de systolische snelheden van de LV lange-asfunctie bij piekbelasting had een goede reproduceerbaarheid (variatiecoëfficiënten in basale segmenten 9-14% in rust en 11-18% bij piekbelasting) en vergelijkbare gevoeligheden en specificiteiten (ongeveer 70%) als gepubliceerd studies waarin deskundige waarnemers scores voor wandbewegingen rapporteerden. Na correctie voor de onafhankelijke effecten van leeftijd, geslacht en hartslag nam de diagnostische nauwkeurigheid echter aanzienlijk toe met C-statistieken (gebied onder ontvanger-operatorcurven) tot 90%.

Visuele analyse van stress-echocardiografie om myocardischemie te detecteren hangt af van kwalitatieve beoordeling van meerdere parameters. Grote onderzoeken naar kwantitatieve stress-echocardiografie zijn beperkt gebleven tot het identificeren van de enige beste echocardiografische variabele, en ze hebben diameterstenose als referentiecriterium gebruikt. Progressieve subklinische reducties van de regionale (lange-as) myocardfunctie zijn aangetoond bij proefpersonen met cardiovasculaire risicofactoren, die de vervorming van het myocard (rek en reksnelheid) en snelheden beïnvloeden. Ischemie verandert de timing van gebeurtenissen tijdens de hartcyclus - bijvoorbeeld door de pre-ejectie- en post-ejectiefase te verlengen. Deze factoren bevestigen de klinische behoefte aan objectieve meting van de regionale myocardfunctie gedurende de hele hartcyclus.

Het is nu mogelijk om algoritmen te maken die niet alleen gebaseerd zijn op een enkel tijdstip (bijvoorbeeld pieksnelheid), maar in plaats daarvan vertrouwen op analyse van het geheel van het snelheidsspoor. Dit concept kan ook worden uitgebreid met rek- en reksnelheidscurven. Onderzoekers van Universitat Pompeu Fabra, Barcelona, ​​hebben deze benadering ontwikkeld om een ​​statistische atlas van het hart te maken om dissynchronie te detecteren. Een soortgelijk concept is toegepast met behulp van multiple kernel learning bij patiënten met dyspneu die inspanningstests hebben ondergaan om diegenen te identificeren met tekenen van diastolisch hartfalen. patiënten (met en zonder dyspnoe) en patiënten met de diagnose hartfalen met geconserveerde ejectiefractie (HFpEF); de belangrijkste waargenomen verschillen zijn in de vroege diastolische functie. Deze toepassing is niet eerder gebruikt om induceerbare myocardischemie bij stress-echocardiografie te onderzoeken, maar vergelijkbare bevindingen kunnen worden verwacht, aangezien veranderingen tijdens diastole tot de vroegste en meest gevoelige indicatoren van myocardischemie behoren. Individuen aan de Universiteit van Leuven (prof. Jan D'hooge) hebben onlangs onder toezicht staande machine-learningmethoden ontwikkeld die automatische classificatie van myocardsegmenten mogelijk maken op basis van hun lokale mechanische gedrag (d.w.z. snelheid/belasting/belastingsnelheid) na het doorlopen van een trainingsfase; de voorgestelde machine-learning-benadering presteert beter dan deskundige wandbewegingsmetingen en deskundige interpretatie van segmentale rek (snelheid) sporen bij het classificeren van ischemische segmenten.