Model prognostyczny długoterminowej funkcji serca po zatorowości płucnej w oparciu o dynamiczny sygnał elektrokardialny i krążące biomarkery

Zatorowość płucna (PE) jest wysoce chorobliwą i śmiertelną chorobą układu krążenia. Dysfunkcja prawej komory (RVD) wtórna do PE wskazuje na złe rokowanie i stanowi kluczową podstawę do stratyfikacji ryzyka. Niedawne badania wykazały, że ponad jedna trzecia pacjentów nadal doświadcza RVD rok po PE, a mechanizmy i regresja pozostają niejasne. Chociaż elektrokardiografia (EKG) jest najczęściej stosowanym badaniem w kierunku chorób serca, jej swoistość diagnostyczna w przypadku PE jest ograniczona.

W ostatnich latach sztuczna inteligencja (AI) z powodzeniem wyodrębniła setki cech z danych trudnych do rozpoznania przez ludzkie oko. Korelacja między codziennymi parametrami życiowymi monitorowanymi przez urządzenia do noszenia a objawami funkcjonalnymi przewlekłych chorób układu krążenia sugeruje potencjał sztucznej inteligencji w wykrywaniu postępu choroby. Brakuje swoistych markerów czynności prawej komory po PE, a znaczenie i zmiany tych markerów w postępie choroby nie zostały jeszcze zbadane.

Celem tego badania jest opracowanie modelu predykcyjnego postępu RVD po PE z wykorzystaniem sztucznej inteligencji, łączącego elektromiografię, urządzenia do noszenia i markery żywotności. Do tego prospektywnego badania kohortowego włączono 500 pacjentów z ostrą PE należącą do grupy średniego lub wyższego ryzyka. Około 200 pacjentów z RVD przy wypisie obserwowano przez rok, a codzienne dane elektromiograficzne zbierano za pomocą przenośnych elektromiografów. Próbki biologiczne pobierano w następujących punktach czasowych: przyjęcie, wypis i kontrola po 3, 6 i 12 miesiącach, a także mierzono różne markery stanu zapalnego za pomocą testu wieloczynnikowego na rdzeniach z zawiesiną ciekłą. Dane te włączono do ciągłego modelu diagnostyki choroby opartego na restrykcyjnej strategii aktualizacji głębokiego uczenia się.

Ostatecznie opracowano algorytm ciągłej diagnostyki i prognozowania choroby, w wyniku którego uzyskano model przewidywania postępu RVD po PE przy użyciu testów wieloczynnikowych na rdzeniach z zawiesiny płynnej w celu pomiaru różnych markerów stanu zapalnego.