Maskinlæring for å øke den tidlige diagnosen akutte kardiovaskulære forhold (MALBEC)

Gjeldende forskningstilstand på feltet

Akutt hjerte- og karsykdommer (ACVD) er den ledende dødsårsaken i Sveits og Europa, ansvarlig for 29% av dødsfallene i Sveits og 36% over hele Europa. Den økende forekomsten av ACVD, inkludert akutt hjerteinfarkt (AMI), akutt hjertesvikt (AHF), lungeemboli (PE) og akutte aortasyndromer (AAS), legger en betydelig belastning på helsevesenet. Å diagnostisere disse forholdene i akuttmottak (EDS) er utfordrende på grunn av overlappende symptomer og behovet for rask, nøyaktig beslutningstaking.

Innføringen av kardiovaskulære biomarkører, inkludert høysensitivitet hjertetroponin, natriuretisk peptid av B-type, og D-dimer har revolusjonert tidlig diagnose. Disse biomarkørene, sammen med kliniske vurderinger og elektrokardiogrammer (EKG), er nå viktige diagnostiske verktøy. Imidlertid har nåværende diagnostiske algoritmer fortsatt enorme begrensninger.

Nyere fremskritt innen maskinlæring (ML) og Deep Learning (DL) gir muligheter for å forbedre diagnosen. ML-basert EKG-tolkning og dyp overførbar læring (DTL) teknikker kan forbedre diagnostisk nøyaktighet ved å integrere komplekse EKG- og biomarkørdata. Automl -tilnærminger kan foredle disse modellene ytterligere, redusere menneskelig feil og forbedre kliniske arbeidsflyter.

Forskerteamet har gjennomført flere store studier som fører til betydelige fremskritt innen kardiovaskulær biomarkørforskning og presisjonsmedisin. Deres bidrag inkluderer:

• Validering av MI3 -modellen, som bruker ML for å forbedre NSTEMI
• Introduksjon av Basel EKG -poengsum, et kvantitativt verktøy som forbedrer NSTEMI -diagnosen.
• Validering av kode-ACS, en ML-basert klinisk beslutningsstøtte-verktøy som spår sannsynligheten for NSTEMI mer effektivt enn standard hjertetroponinterskel.

Teamet fokuserer nå på å integrere EKG-data med biomarkører ved bruk av AI/ml for å forbedre nøyaktigheten og automatisere beslutninger. Samarbeid med internasjonale eksperter har muliggjort vellykket anvendelse av nevrale nettverk til EKG -tolkning. De neste trinnene inkluderer:

• Raffinering av ML-basert EKG-tolkning for å inkorporere ikke-additive effekter.
• Utvidende ML -modeller til å omfatte flere kardiovaskulære forhold utover AMI.
• Integrering av disse AI-drevne verktøyene i kliniske arbeidsflyter og elektroniske helsejournaler.

Denne forskningen tar sikte på å revolusjonere kardiovaskulær diagnostikk ved å utnytte AI og ML for mer presis, raskere og klinisk relevant beslutningstaking.

Mål:

1. Utvikle og implementere et klinisk beslutningsstøtteverktøy som visualiserer viktige diagnostiske data.
2. Tren og valider ML -modeller for å diagnostisere akutte kardiovaskulære sykdommer (ACVD).
3. Sammenlign ML -modellytelse med eksisterende diagnostiske algoritmer.
4. Valider ML -modeller i store internasjonale kliniske studier.
5. Integrer ML -modeller i den elektroniske pasientjournalen ved University Hospital Basel.