AI-modeller for Cerebral Aneurismer Segmentering, Deteksjon og Stabilitetsprediksjon (AI-CARE)

Aneurysmal subaraknoidal blødning (SAH) er en av de kritiske sykdommene som alvorlig truer menneskers helse, med en klinisk dødelighet som når så høyt som 30 %. Tidlig diagnose og intervensjon før ruptur anses som nøkkelen til å forbedre prognosen for aneurysmal SAH. Med den utbredte kliniske anvendelsen av ikke-invasive cerebrovaskulære avbildningsteknikker, som CTA og MRA, har deteksjonshastigheten for ubrutt intrakranielle aneurismer (UIA) økt betydelig. Å møte den økende etterspørselen etter klinisk cerebrovaskulær bildediagnostikk reiser imidlertid utfordringen med å forbedre diagnostisk nøyaktighet og samtidig lette arbeidsbelastningen til diagnostiske leger. Videre, med tanke på at ikke alle oppdagede UIA-er vil briste, er det avgjørende å nøyaktig identifisere høyrisiko-aneurismer som er utsatt for ruptur for å unngå unødvendig overbehandling, noe som kan føre til betydelige sosioøkonomiske byrder og iatrogen skade på pasienter. For å møte dette kliniske behovet har forskere utviklet en kunstig intelligens (AI) algoritme for å lage programvare som er i stand til automatisk å identifisere intrakranielle aneurismer basert på ikke-invasive vaskulære bildedata, noe som muliggjør nøyaktig diagnose av aneurismer. For å evaluere den kliniske nytten av denne AI-algoritmen, ble en prospektiv, multisenter, registerstudie foreslått. Gjennom langsiktig standardisert og enhetlig ikke-invasiv bildediagnostisk oppfølging vil det etableres individualiserte bildeanalyseprofiler. Ved å korrelere disse profilene med aneurismeutfallhendelser (vekst eller ruptur), vil bildefunksjoner som er i stand til nøyaktig å forutsi aneurismevekst og -ruptur bli identifisert og analysert. Denne tilnærmingen forventes å øke nøyaktigheten av UIA-diagnose og muliggjøre risikostratifisering for uavbrutte intrakranielle aneurismer gjennom bruk av relevante data.