Utvikling og validering av en multimodal dyp læringsmodell basert på kardiell magnetisk resonans for langsiktig prognoseprediksjon ved ST-segment hevet myokardieinfarkt

Mål: Denne studien har som mål å utvikle og teste en ny prediksjonsmodell basert på kunstig intelligens. Denne modellen vil integrere magnetisk resonansavbildning av hjertet og kliniske data for å forutsi langtidsrisikoen for store uønskede kardiovaskulære hendelser hos pasienter som har gjennomgått akutt perkutan koronarintervensjon for ST-segment hevet myokardieinfarkt.

Beskrivelse: Denne studien planlegger å inkludere pasienter med STEMI som har mottatt primær PCI. Omtrent en uke etter inngrepet vil pasientene gjennomgå en magnetisk resonansavbildning av hjertet. Samtidig vil vi samle inn pasientenes grunnleggende informasjon, blodprøveresultater under behandling og prosedyreprotokoller. Deretter vil pasientene bli fulgt opp regelmessig (hver sjette måned) for å registrere forekomsten av eventuelle store uønskede hjertehendelser, som kardiovaskulær død, tilbakevendende myokardieinfarkt, innleggelse for hjertesvikt eller uplanlagt gjentatt revaskularisering. Alle innsamlede data, inkludert kliniske data og analyserte magnetiske resonansbilder av hjertet, vil bli brukt til å konstruere en multimodal dyp læringsmodell. Modellen vil lære å identifisere trekk assosiert med fremtidige hjerteproblemer. Nøyaktigheten til modellen vil bli testet og validert i forskjellige pasientgrupper.

Potensiell betydning: Hvis vellykket, kan dette prediksjonsverktøyet hjelpe leger med å identifisere høyrisikopasienter tidligere og mer nøyaktig, noe som muliggjør tettere overvåkning og mer rettidige intervensjoner, og til syvende og sist forbedre langtidsprognosen for disse pasientene.