Kunstig intelligens for å forbedre deteksjon og risikostratifisering av akutt lungeemboli (AID-PE) (AID-PE)

Akutt lungeemboli (PE) skyldes delvis eller total okklusjon av lungeblodårene av trombe, som kan forårsake høyre ventrikkelsvikt og død hvis ikke diagnostisert og behandlet tidlig. Akutt PE er en vanlig tilstand med stigende dødelighet. Pasienter med akutt PE er ofte dårlig risikostratifisert til tross for klare retningslinjer. Faktisk fremhevet den nasjonale konfidensielle undersøkelsen fra 2019 om pasientrelatert utfall og død (NCEPOD) for akutt PE behovet for å adressere forverrede dødelighetsrater gjennom passende risikostratifisering av tilstanden.

ESC/ERS retningslinjer for diagnose og behandling av akutt PE gir også råd om viktigheten av risikostratifisering. Et økt forhold mellom høyre ventrikkel: venstre ventrikkel (RV:LV) >1,0 på computertomografi pulmonal angiogram (CTPA) er assosiert med 2,5 ganger økt risiko for dødelighet av alle årsaker, og 5 ganger risiko for PE-relatert dødelighet. Denne beregningen er ment å hjelpe klinikere med å skille mellom pasienter med høy- og lavrisiko akutt PE. Pasienter stratifisert som høyrisiko (RV:LV-forhold >1,0) krever tettere overvåking innenfor en stasjonær setting. Mens pasienter stratifisert som lavrisiko (RV:LV-forhold <1,0) er egnet for tidlig utskrivning gjennom ambulerende veier.

Derfor har levering av RV:LV-metrikk innen radiologirapportering potensielt viktige kliniske implikasjoner. Hvis klinikere ikke får noen kvantifiserbare bevis på RV-dysfunksjon som de kan basere sine behandlingsbeslutninger på, kan pasienter med høyrisiko akutt PE utilsiktet bli betraktet som "lavrisiko" og utskrevet hjem. Videre kan pasienter med lavrisiko akutt PE bli utsatt for lengre, og potensielt unødvendige, døgnopphold, noe som utvilsomt bidrar til kostnadene ved helsetjenester. Integrasjonen av kunstig intelligens (AI) teknologi innen radiologirapportering av CTPAer for akutt PE kan være en potensiell løsning for å møte denne utfordringen.

AI er en stadig mer attraktiv teknologi innen helsevesenet. Den beskriver en rekke dataprogramvareteknikker som etterligner menneskelig kognitiv funksjon. AI viser lovende evne til å oppdage og risikere å stratifisere akutt PE. De fleste studier er imidlertid utført i retrospektive kohorter. Videre har ingen nåværende studie adressert den helseøkonomiske effekten av å implementere AI-teknologi i den virkelige rapporteringen av akutt PE.

Denne observasjonsstudien vil bli ledet av Royal United Hospital Bath NHS Trust (RUH). Målet med denne studien er å integrere kunstig intelligens og maskinlæringsteknologi i rapporteringen av CTPAer for akutt PE. Etterforskerne antar at AI-teknologi kan forbedre umiddelbar diagnose, risikostratifisering og håndtering av akutt PE i en virkelig klinisk setting. Etterforskerne antar også at integrering av AI-teknologi er kostnadseffektiv og akseptabel for radiologer og klinikere.

Pasienter hvis skanninger vil bli inkludert i studien vil være alle de som fortløpende presenterer for RUH med en mulig diagnose av akutt PE i 12 måneder før (komparatorkohort) og 12 måneder etter (intervensjonskohort) 'live' introduksjon av integrert AI-teknologirapportering . For alle rekrutterte deltakere vil et anonymisert kliniker-saksrapport bli brukt for å fange opp detaljer knyttet til deres demografi, klinisk-radiologisk PE-alvorlighet, deres behandling og utfall inkludert dødelighet ved 12 måneder.

Ved analysepunktet vil etterforskerne utføre justeringer/matching mellom de to kohortene for pasientens baselinekarakteristikker. Etterforskerne vil også justere for kalendertidspunkt for rekruttering, for å ta hensyn til tidsmessige trender. Analyse mellom begge kohorter vil også tillate utvikling av en beslutningsanalysemodell for å vurdere kostnadseffektiviteten til integrert AI-teknologi i CTPA-rapport for akutt PE. Kliniker og radiolog spørreskjemaer vil bli brukt for å vurdere brukerens aksept.