Uczenie maszynowe w celu zwiększenia wczesnej diagnozy ostrych warunków sercowo -naczyniowych (MALBEC)

Obecny stan badań w tej dziedzinie

Ostra choroba sercowo -naczyniowa (ACVD) jest główną przyczyną śmierci w Szwajcarii i Europie, odpowiedzialnym za 29% zgonów w Szwajcarii i 36% w całej Europie. Rosnąca częstość występowania ACVD, w tym ostre zawały mięśnia sercowego (AMI), ostra niewydolność serca (AHF), zatorowość płucna (PE) i ostre zespoły aorty (AAS), stanowią znaczne obciążenie dla systemów opieki zdrowotnej. Zdiagnozowanie tych warunków w oddziałach ratunkowych (EDS) jest trudne z powodu nakładania się objawów i potrzeby szybkiego, dokładnego podejmowania decyzji.

Wprowadzenie biomarkerów sercowo-naczyniowych, w tym troponiny sercowej wysokiej wrażliwości, peptydu natriuretycznego typu B i d-dimer zrewolucjonizowało wczesną diagnozę. Te biomarkery, wraz z ocenami klinicznymi i elektrokardiogramami (EKG), są obecnie niezbędnymi narzędziami diagnostycznymi. Jednak obecne algorytmy diagnostyczne mają nadal ogromne ograniczenia.

Ostatnie postępy w uczeniu maszynowym (ML) i głębokim uczeniu się (DL) oferują możliwości poprawy diagnozy. Techniki interpretacji EKG oparte na ML i głębokie uczenie się (DTL) mogą zwiększyć dokładność diagnostyczną poprzez zintegrowanie złożonych danych EKG i biomarkerów. Podejścia do automatycznego mogą jeszcze bardziej udoskonalić te modele, zmniejszając błędy ludzkie i poprawić kliniczne przepływy pracy.

Zespół badawczy przeprowadził wiele badań na dużą skalę, prowadząc do znacznych postępów w badaniach biomarkerów sercowo-naczyniowych i medycynie precyzyjnej. Ich wkład obejmuje:

• Walidacja modelu MI3, który wykorzystuje ML do poprawy NSTEMI
• Wprowadzenie wyniku EKG Bazylea, narzędzia ilościowego, które poprawia diagnozę NSTEMI.
• Walidacja Code-ACS, opartego na ML klinicznego narzędzia wspomagającego decyzję, który przewiduje prawdopodobieństwo NSTEMI bardziej skutecznie niż standardowe progi troponiny sercowej.

Zespół koncentruje się teraz na integracji danych EKG z biomarkerami za pomocą AI/ML w celu zwiększenia dokładności i zautomatyzowania podejmowania decyzji. Współpraca z międzynarodowymi ekspertami umożliwiła pomyślne zastosowanie sieci neuronowych do interpretacji EKG. Kolejne kroki obejmują:

• Rafinacja interpretacji EKG opartej na ML w celu uwzględnienia efektów nieaddytywnych.
• Rozszerzanie modeli ML o wiele warunków sercowo -naczyniowych poza AMI.
• Integracja tych narzędzi opartych na AI w klinicznych przepływach pracy i elektronicznych dokumentach medycznych.

Badanie ma na celu zrewolucjonizowanie diagnostyki sercowo-naczyniowej poprzez wykorzystanie AI i ML w celu uzyskania dokładniejszych, szybszych i klinicznie istotnych podejmowania decyzji.

Cele:

1. Opracuj i wdrożyć kliniczne narzędzie wsparcia decyzji, które wizualizuje kluczowe dane diagnostyczne.
2. Trenuj i potwierdzaj modele ML w celu zdiagnozowania ostrych chorób sercowo -naczyniowych (ACVD).
3. Porównaj wydajność modelu ML z istniejącymi algorytmami diagnostycznymi.
4. Sprawdzaj poprawność modeli ML w dużych międzynarodowych badaniach klinicznych.
5. Zintegruj modele ML z elektronicznym rekordem pacjenta w szpitalu uniwersyteckim w Bazylei.