Prognostisch model voor de hartfunctie op lange termijn na longembolie, gebaseerd op dynamisch elektrocardiaal signaal en circulerende biomarkers

Longembolie (PE) is een zeer morbide en fatale hart- en vaatziekten. Rechterventrikeldisfunctie (RVD) secundair aan PE duidt op een slechte prognose en dient als een kritische basis voor risicostratificatie. Recente onderzoeken hebben aangetoond dat meer dan een derde van de patiënten een jaar na PE nog steeds RVD ervaart, waarbij de mechanismen en de regressie onduidelijk blijven. Hoewel elektrocardiografie (ECG) de meest gebruikte test is voor hartziekten, is de diagnostische specificiteit voor longembolie beperkt.

De afgelopen jaren heeft kunstmatige intelligentie (AI) met succes honderden kenmerken uit gegevens gehaald die voor het menselijk oog moeilijk te herkennen zijn. De correlatie tussen de dagelijkse vitale functies die worden gemonitord door draagbare apparaten en functionele tekenen van chronische hart- en vaatziekten suggereert het potentieel van AI bij het detecteren van ziekteprogressie. Er is een gebrek aan specifieke markers voor de rechterventrikelfunctie na PE, en de betekenis en veranderingen van deze markers in de progressie van de ziekte zijn nog niet onderzocht.

Deze studie heeft tot doel een voorspellend model te ontwikkelen voor de progressie van RVD na PE met behulp van AI, waarbij elektromyografie, draagbare apparaten en vitaliteitsmarkers worden gecombineerd. In deze prospectieve cohortstudie werden 500 patiënten met acute longembolie met een gemiddeld of hoger risico geïncludeerd. Ongeveer 200 patiënten met RVD bij ontslag werden gedurende een jaar gevolgd, waarbij dagelijks elektromyografische gegevens werden verzameld met behulp van draagbare elektromyografen. Biomonsters werden verzameld op de volgende tijdstippen: opname, ontslag en follow-up na 3, 6 en 12 maanden en een verscheidenheid aan ontstekingsmarkers werd gemeten met behulp van een multifactoriële test op vloeibare suspensiekernen. Deze gegevens werden geïntegreerd in een continu ziektediagnostisch model, gebaseerd op een restrictieve updatestrategie voor diepgaand leren.

Uiteindelijk werd een algoritme voor continue ziektediagnose en prognose ontwikkeld, dat een model opleverde voor het voorspellen van de progressie van RVD na PE met behulp van multifactoriële testen op vloeibare suspensiekernen om verschillende ontstekingsmarkers te meten.