Machine learning om de vroege diagnose van acute cardiovasculaire aandoeningen te stimuleren (MALBEC)

Huidige stand van onderzoek in het veld

Acute cardiovasculaire aandoeningen (ACVD) is de belangrijkste doodsoorzaak in Zwitserland en Europa, verantwoordelijk voor 29% van de doden in Zwitserland en 36% in heel Europa. De toenemende prevalentie van ACVD, inclusief acuut myocardinfarct (AMI), acuut hartfalen (AHF), longembolie (PE) en acute aortayndromen (AAS), legt een belangrijke last voor gezondheidszorgsystemen. Het diagnosticeren van deze aandoeningen in spoedeisende hulpdiensten (ED's) is een uitdaging vanwege overlappende symptomen en de noodzaak van snelle, nauwkeurige besluitvorming.

De introductie van cardiovasculaire biomarkers, waaronder cardiale troponine met hoge gevoeligheid, b-type natriuretisch peptide en D-dimeer heeft een revolutie teweeggebracht in een vroege diagnose. Deze biomarkers, naast klinische beoordelingen en elektrocardiogrammen (ECG's), zijn nu essentiële diagnostische hulpmiddelen. De huidige diagnostische algoritmen hebben echter nog steeds enorme beperkingen.

Recente ontwikkelingen in machine learning (ML) en Deep Learning (DL) bieden kansen om de diagnose te verbeteren. Op ML gebaseerde ECG-interpretatie en diepverdragend leren (DTL) -technieken kunnen de diagnostische nauwkeurigheid verbeteren door complexe ECG- en biomarker-gegevens te integreren. Auto -benaderingen kunnen deze modellen verder verfijnen, het verminderen van de menselijke fouten en het verbeteren van klinische workflows.

Het onderzoeksteam heeft meerdere grootschalige studies uitgevoerd die hebben geleid tot belangrijke vooruitgang in onderzoek en precisiegeneeskunde van cardiovasculaire biomarker. Hun bijdragen zijn onder meer:

• Validatie van het MI3 -model, dat ML gebruikt om Nstemi te verbeteren
• Introductie van de BASEL ECG -score, een kwantitatief hulpmiddel dat de diagnose van Nstemi verbetert.
• Validatie van code-AC's, een op ML gebaseerde klinische beslissingsondersteuning die de kans van NSTEMI effectiever voorspelt dan standaard cardiale troponinedrempels.

Het team richt zich nu op het integreren van ECG-gegevens met biomarkers met behulp van AI/ML om de nauwkeurigheid te verbeteren en de besluitvorming te automatiseren. Samenwerking met internationale experts heeft de succesvolle toepassing van neurale netwerken op ECG -interpretatie mogelijk gemaakt. De volgende stappen omvatten:

• ML-gebaseerde ECG-interpretatie verfijnen om niet-additieve effecten op te nemen.
• ML -modellen uitbreiden met meerdere cardiovasculaire omstandigheden buiten AMI.
• Integratie van deze AI-gedreven tools in klinische workflows en elektronische gezondheidsdossiers.

Dit onderzoek is bedoeld om een ​​revolutie teweeg te brengen in cardiovasculaire diagnostiek door AI en ML te gebruiken voor meer precieze, snellere en klinisch relevante besluitvorming.

Doelstellingen:

1. Ontwikkel en implementeer een hulpmiddel voor klinische beslissingsondersteuning die belangrijke diagnostische gegevens visualiseert.
2. Train en valideer ML -modellen om acute cardiovasculaire aandoeningen (ACVD) te diagnosticeren.
3. Vergelijk ML -modelprestaties met bestaande diagnostische algoritmen.
4. Valideer ML -modellen in grote internationale klinische proeven.
5. Integreer ML -modellen in het elektronische patiëntendossier in het Universitair Ziekenhuis Basel.