Kunstmatige intelligentie in ANOCA ((AI)NOCA)

Angina pectoris wordt bij >180.000 gediagnosticeerd mensen in Nederland per jaar. De diagnose bij angina pectoris richt zich op epicardiale coronaire stenose, waarvan de identificatie kan leiden tot richtlijngerichte medische therapie of revascularisatie. Bij 40-70% van de patiënten wordt een dergelijke stenose echter niet vastgesteld. Deze aandoening, angina zonder verstopte kransslagader (ANOCA), komt vaker voor bij vrouwen en houdt verband met een slechte levenskwaliteit, hoge medische kosten en een hogere incidentie van bijwerkingen.

De oorsprong van ANOCA kan worden geëvalueerd tijdens invasieve coronaire angiografie door coronaire functietesten (CFT) om coronaire vasomotorische stoornissen te identificeren. Dit heeft betrekking op vasospasmen van de kransslagader en de microcirculatie, of op een verminderde microvasculaire vasodilatatie. Voor de diagnose van vasospasme moet CFT resulteren in elektrocardiografische tekenen van myocardiale ischemie als onderdeel van de diagnostische criteria. Dit is een cruciaal punt bij de diagnose van vasospasme, omdat deze symptomen subtiel kunnen zijn en kunnen variëren, en daarom vatbaar zijn voor verkeerde interpretaties. Afgezien van dit voorbehoud vereist de diagnosebenadering momenteel daarom een ​​invasieve procedure voor de diagnose. Dit beperkt de brede toepassing en belemmert de vroege identificatie en behandeling van ANOCA.

Tijdens CFT wordt routinematig een coronaire voerdraad in de kransslagader voortbewogen, waardoor ook een intracoronaire ECG kan worden verkregen door een steriele krokodillenklem aan een standaard elektrocardiogramkabel te bevestigen. Dit maakt continue registratie van intracoronaire ECG tijdens CFT mogelijk op dezelfde monitor als het routine-ECG. Deze techniek kan de gevoeligheid voor myocardischemie tijdens CFT verhogen. Bovendien maakt Holter ECG-monitoring de identificatie mogelijk van ischemische veranderingen in het ECG in de poliklinische setting. Er ontbreekt bewijs over de patronen van myocardiale ischemie die optreden tijdens spontane angina pectoris-symptomen bij ANOCA-patiënten, en over de gevoeligheid van Holter-ECG voor dit doel. Ten slotte kan de interpretatie van ischemische patronen op ECG-registraties lastig zijn, vooral wanneer de veranderingen subtiel zijn of van slag tot slag veranderen. Het gebruik van deep learning-technieken maakt het mogelijk de interpretatie van ECG-sporen te automatiseren en kan de gestandaardiseerde diagnose bij ANOCA verbeteren.