Kunstmatige intelligentie om de detectie en risicostratificatie van acute longembolie te verbeteren (AID-PE) (AID-PE)

Acute longembolie (PE) is het gevolg van gedeeltelijke of totale occlusie van de longbloedvaten door trombus, wat rechterventrikelfalen en de dood kan veroorzaken als het niet tijdig wordt gediagnosticeerd en behandeld. Acute PE is een veel voorkomende aandoening met een stijgende mortaliteit. Patiënten met acute longembolie zijn ondanks duidelijke richtlijnen vaak slecht op risiconiveau ingedeeld. In feite benadrukte het National Confidential Inquiry into Patientrelated Outcome and Death (NCEPOD) uit 2019 voor acute longembolie de noodzaak om de verslechterende sterftecijfers aan te pakken door middel van passende risicostratificatie van de aandoening.

ESC/ERS-richtlijnen voor de diagnose en behandeling van acute longembolie adviseren ook over het belang van risicostratificatie. Een verhoogde verhouding rechterventrikel:linkerventrikel (RV:LV) >1,0 op computertomografie-pulmonaal angiogram (CTPA) gaat gepaard met een 2,5-voudig verhoogd risico op sterfte door alle oorzaken, en een 5-voudig risico op PE-gerelateerde sterfte. Deze maatstaf is bedoeld om artsen te helpen onderscheid te maken tussen patiënten met acute longembolie met een hoog en een laag risico. Patiënten die zijn gestratificeerd als een hoog risico (RV:LV-ratio >1,0) vereisen nauwere monitoring binnen een intramurale setting. Terwijl patiënten met een laag risico (RV:LV-ratio <1,0) geschikt zijn voor vroegtijdig ontslag via ambulante trajecten.

Daarom heeft het aanbieden van RV:LV-metrieken binnen de radiologierapportage potentieel belangrijke klinische implicaties. Als artsen geen kwantificeerbaar bewijs krijgen van RV-disfunctie waarop ze hun behandelbeslissingen kunnen baseren, kunnen patiënten met acute longembolie met een hoog risico onbedoeld als 'laag risico' worden beschouwd en naar huis worden ontslagen. Bovendien kunnen patiënten met acute longembolie met een laag risico te maken krijgen met een langer en potentieel onnodig verblijf in een ziekenhuis, wat ongetwijfeld bijdraagt ​​aan de kosten van de gezondheidszorg. De integratie van kunstmatige intelligentie (AI)-technologie binnen de radiologische rapportage van CTPA's voor acute longembolie zou een potentiële oplossing kunnen zijn om deze uitdaging aan te pakken.

AI is een steeds aantrekkelijkere technologie binnen de gezondheidszorg. Het beschrijft een aantal computersoftwaretechnieken die de menselijke cognitieve functie nabootsen. AI is veelbelovend in het vermogen om acute PE te detecteren en te riskeren. De meeste onderzoeken zijn echter uitgevoerd in retrospectieve cohorten. Bovendien is er geen actueel onderzoek dat de gezondheidseconomische impact van de implementatie van AI-technologie binnen de praktijkrapportage van acute longembolie heeft onderzocht.

Deze observationele studie zal worden geleid door Royal United Hospital Bath NHS Trust (RUH). Het doel van deze studie is om kunstmatige intelligentie en machine learning-technologie te integreren in de rapportage van CTPA's voor acute PE. De onderzoekers veronderstellen dat AI-technologie de snelle diagnose, risicostratificatie en behandeling van acute longembolie binnen een echte klinische setting kan verbeteren. De onderzoekers veronderstellen ook dat de integratie van AI-technologie kosteneffectief en acceptabel is voor radiologen en clinici.

Patiënten van wie de scans in het onderzoek zullen worden opgenomen, zijn alle patiënten die zich achtereenvolgens bij het RUH presenteren met een mogelijke diagnose van acute longembolie gedurende 12 maanden vóór (vergelijkingscohort) en 12 maanden na (interventiecohort) 'live' introductie van geïntegreerde AI-technologierapportage . Voor alle gerekruteerde deelnemers zal een geanonimiseerd casusrapportformulier voor artsen worden gebruikt om details vast te leggen met betrekking tot hun demografische gegevens, de klinisch-radiologische ernst van de longembolie, hun behandeling en de uitkomsten, waaronder sterfte na 12 maanden.

Op het moment van analyse zullen de onderzoekers aanpassingen/matching uitvoeren tussen de twee cohorten voor de uitgangskenmerken van de patiënt. De onderzoekers zullen zich ook aanpassen aan de rekruteringskalender, om rekening te houden met temporele trends. Analyse tussen beide cohorten zal ook de ontwikkeling mogelijk maken van een beslissingsanalysemodel om de kosteneffectiviteit van geïntegreerde AI-technologie te beoordelen binnen het CTPA-rapport voor acute PE. Er zullen vragenlijsten voor artsen en radiologen worden gebruikt om de aanvaardbaarheid voor de gebruiker te beoordelen.