Sztuczna inteligencja usprawni wykrywanie i ocenę ryzyka ostrej zatorowości płucnej (AID-PE) (AID-PE)

Ostra zatorowość płucna (PE) wynika z częściowego lub całkowitego zamknięcia płucnych naczyń krwionośnych przez skrzeplinę, co może powodować niewydolność prawej komory i śmierć, jeśli nie zostanie wcześnie zdiagnozowana i leczona. Ostra PE jest częstym schorzeniem charakteryzującym się rosnącą śmiertelnością. Pacjenci z ostrą PE często są słabo stratyfikowani pod względem ryzyka pomimo jasnych wytycznych. W rzeczywistości krajowe poufne dochodzenie w sprawie wyników i zgonów związanych z pacjentem (NCEPOD) w przypadku ostrej PE podkreśliło potrzebę zajęcia się pogarszającymi się wskaźnikami śmiertelności poprzez odpowiednią stratyfikację ryzyka choroby.

Wytyczne ESC/ERS dotyczące diagnostyki i postępowania w ostrej PE również wskazują na znaczenie stratyfikacji ryzyka. Zwiększony stosunek prawej komory do lewej komory (RV:LV) > 1,0 w angiogramie płuc za pomocą tomografii komputerowej (CTPA) wiąże się z 2,5-krotnym zwiększeniem ryzyka zgonu z jakiejkolwiek przyczyny i 5-krotnym ryzykiem zgonu związanego z PE. Wskaźnik ten ma pomóc klinicystom w rozróżnieniu pacjentów z ostrą PE wysokiego i niskiego ryzyka. Pacjenci zaklasyfikowani do grupy wysokiego ryzyka (stosunek RV:LV > 1,0) wymagają dokładniejszego monitorowania w warunkach szpitalnych. Natomiast pacjenci sklasyfikowani jako pacjenci niskiego ryzyka (stosunek RV:LV <1,0) kwalifikują się do wczesnego wypisu drogą ambulatoryjną.

Dlatego też dostarczanie wskaźników RV:LV w raportach radiologicznych ma potencjalnie ważne implikacje kliniczne. Jeżeli klinicyści nie otrzymają żadnych wymiernych dowodów na dysfunkcję prawej komory, na których mogliby oprzeć swoje decyzje dotyczące leczenia, pacjenci z ostrą PE wysokiego ryzyka mogą zostać przypadkowo uznani za pacjentów „niskiego ryzyka” i wypisani do domu. Ponadto pacjenci z ostrą PE niskiego ryzyka mogą być poddawani dłuższym i potencjalnie niepotrzebnym pobytom w szpitalu, co niewątpliwie zwiększa koszty opieki zdrowotnej. Integracja technologii sztucznej inteligencji (AI) z raportowaniem radiologicznym dotyczącym CTPA w przypadku ostrej PE może być potencjalnym rozwiązaniem tego wyzwania.

Sztuczna inteligencja jest coraz bardziej atrakcyjną technologią w opiece zdrowotnej. Opisuje szereg technik oprogramowania komputerowego, które naśladują ludzkie funkcje poznawcze. Sztuczna inteligencja wykazuje obiecującą zdolność do wykrywania ostrej PE i stratyfikowania ryzyka. Większość badań przeprowadzono jednak w kohortach retrospektywnych. Co więcej, w żadnym bieżącym badaniu nie uwzględniono ekonomicznego wpływu wdrożenia technologii AI na zdrowie w ramach rzeczywistego raportowania ostrej PE.

Niniejsze badanie obserwacyjne będzie prowadzone przez Royal United Hospital Bath NHS Trust (RUH). Celem tego badania jest zintegrowanie technologii sztucznej inteligencji i uczenia maszynowego w ramach raportowania CTPA w przypadku ostrego PE. Badacze stawiają hipotezę, że technologia sztucznej inteligencji może usprawnić szybką diagnostykę, stratyfikację ryzyka i leczenie ostrej PE w rzeczywistych warunkach klinicznych. Badacze stawiają także hipotezę, że integracja technologii sztucznej inteligencji jest opłacalna i akceptowalna przez radiologów i klinicystów.

Pacjenci, których skany zostaną uwzględnione w badaniu, to wszyscy pacjenci zgłaszający się kolejno do RUH z możliwą diagnozą ostrej PE przez 12 miesięcy przed (kohorta porównawcza) i 12 miesięcy po (kohorta interwencyjna) „na żywo” wprowadzenia zintegrowanej technologii AI. . W przypadku wszystkich rekrutowanych uczestników zostanie zastosowany anonimowy formularz opisu przypadku lekarza klinicznego w celu zebrania szczegółowych informacji dotyczących ich danych demograficznych, ciężkości kliniczno-radiologicznej PE, leczenia i wyników, w tym śmiertelności po 12 miesiącach.

Na etapie analizy badacze przeprowadzą korekty/dopasowanie obu kohort pod kątem wyjściowych cech pacjenta. Badacze dostosują się również do kalendarzowego czasu rekrutacji, aby uwzględnić trendy czasowe. Analiza obu kohort umożliwi także opracowanie modelu analizy decyzji w celu oceny opłacalności zintegrowanej technologii AI w ramach raportu CTPA dotyczącego ostrej PE. Do oceny akceptacji przez użytkownika zostaną wykorzystane kwestionariusze dla klinicystów i radiologów.