CT -prediksjon for transkateter Tricuspid -intervensjoner (CESAR-TR)

Målet med denne studien er å styrke forutsigbarheten av terapeutisk suksess i transkateter tricuspid ventilintervensjon (TTVI) for pasienter med alvorlig tricuspid regurgitasjon (TR). Dette vil bli oppnådd gjennom automatiserte analyser av pre-intervensjonelle computertomografi (CT) skanninger.

Alvorlig trikuspid oppstøt er assosiert med dårlige pasientresultater. I avanserte stadier blir farmakologisk terapi ineffektiv, og kirurgiske inngrep har en høy dødelighetsrisiko. Gitt denne kliniske utfordringen, har kateterbasert behandling av tricuspidventilen blitt et samlingspunkt for forskning.

En veletablert behandlingsstrategi er perkutan trikuspid ventilintervensjon, som tar sikte på å redusere oppstøt enten gjennom annuloplastikk, brosjyrebasert kant-til-kant reparasjon eller ventilerstatning. Denne tilnærmingen har vist seg å redusere alvorlighetsgraden av oppstøt betydelig, noe som fører til en dramatisk reduksjon i symptombelastningen og en markant forbedring i livskvaliteten.

Å forutsi hvilke pasienter som vil ha mest nytte av TTVI og bestemme den optimale teknikken for hver enkelt person forblir stort sett uavklarte utfordringer.

Kunstig intelligens (AI) -powered programvare, for eksempel Heart.ai av Laralab (München), muliggjør automatisert måling av anatomiske strukturer fanget via CT -avbildning. Denne teknologien gir allerede mulighet for rask og presis vurdering av hjertekamre og tricuspid-annulus gjennom hele hjertesyklusen, noe som letter en omfattende tredimensjonal evaluering av høyre hjerteanatomi.

For å avgrense pasientvalg og optimalisere prosedyrestrategier for TR-behandling, jobber forskeren et multisentersamarbeid for å analysere behandlingsresultater og pasientrespons på spesifikke terapeutiske tilnærminger.