Optimalisert multi-modalitet maskinlæringsmetode under kardiotoksisk kjemoterapi for å forutsi oppstått hjertesvikt (MERMAID)

Dette prosjektet vil utvikle en automatisert maskinlæringstilnærming ved bruk av multimodalitetsdata (avbildning, laboratorium, elektrokardiografi og spørreskjema) for å øke forståelsen og forutsigelsen av oppstått hjertesvikt hos pasienter som er planlagt for kardiotoksisk kjemoterapi. Denne algoritmen vil bli utviklet av den tekniske samarbeidspartneren Prof. Adam som leder Technion, instituttet for biomedisinsk ingeniørfag.

Spesifikke mål:

1. Å samle inn alle oppnåelige data fra pasienter som er planlagt for kardiotoksisk kjemoterapi ved baseline, opptil 6 måneder etter avsluttet terapi - angående bildediagnostikk (MR, ekkokardiografi med konvensjonell og belastningsparameter), elektrokardiografi, biomedisinske markører (for å definere funksjonen til lever, nyre, hjerte og hematopoetisk benmarg), klinisk parameter og livskvalitetsspørreskjema:
2. Å optimalisere og evaluere en robust maskinlæringstilnærming som integrerer og vurderer alle disse dataene for å oppdage tidlig myokardskade og for å identifisere en optimal parameter (enkelt eller i kombinasjon) for prediksjon av subklinisk venstre ventrikkel (LV) dysfunksjon (trinn 1 av den nåværende studien) ).
3. For å utføre en klinisk studie (trinn 2 av den nåværende studien) av kjemoterapipasienter, og for å identifisere subklinisk LV-dysfunksjon, som vil bli brukt til å veilede kardiobeskyttende terapi ved bruk av den nye maskinlæringsmetoden sammenlignet med den faktiske standardprosedyren ved bruk av kun ekkokardiografisk venstre ventrikkel ejeksjonsfraksjon (LVEF).

Hensikten med denne studien er å evaluere og optimalisere en maskinlæringstilnærming for å kombinere og integrere data fra forskjellige bildebehandlingsmodaliteter med laboratorie-, elektrokardiografi- og spørreskjemainformasjon for å definere verdien av alle disse parameterne i pasientbehandling, ved å identifisere subklinisk LV-dysfunksjon, som vil bli brukt til å veilede kardiobeskyttende terapi sammenlignet med en standard tilnærming som kun bruker konvensjonelle ekkokardiografiske parametere.

MR, konvensjonelle ekkokardiografiske parametere og ekkokardiografisk myokarddeformasjonsavbildning bruker forskjellige modaliteter og tilnærminger for å få innsikt i myokardvev og deformasjon. Vi antar at en ny og optimalisert automatisert algoritme som bruker disse modalitetene og integrerer laboratorie-, elektrokardiografi- og spørreskjemainformasjon vil forbedre oppdagelsen av tidlige LV-dysfunksjoner, og vil gi ny innsikt i den potensielle responsen til cellegiftpasienter på kardiotoksisk terapi. Vi forventer at denne algoritmen fører til bruk av tilleggsbehandling som vil begrense utviklingen av LV dysfunksjon, avbrudd i kjemoterapi og utvikling av hjertesvikt i oppfølgingen og dermed vil redusere sykelighet og kostnader.