Opracowanie i walidacja multimodalnego modelu uczenia głębokiego opartego na rezonansie magnetycznym serca do długoterminowego przewidywania wyników w zawale mięśnia sercowego z uniesieniem odcinka ST

Cel: Niniejsze badanie ma na celu opracowanie i przetestowanie nowatorskiego modelu predykcyjnego opartego na sztucznej inteligencji. Model ten będzie integrować obrazowanie rezonansem magnetycznym serca i dane kliniczne, aby przewidywać długoterminowe ryzyko wystąpienia poważnych niekorzystnych zdarzeń sercowo-naczyniowych u pacjentów, którzy przeszli pilną przezskórną interwencję wieńcową z powodu zawału mięśnia sercowego z uniesieniem odcinka ST.

Opis: W badaniu planuje się włączyć pacjentów z STEMI, którzy otrzymali pierwotną PCI. Około tydzień po zabiegu pacjenci przejdą badanie rezonansu magnetycznego serca. Jednocześnie zbierzemy podstawowe informacje o pacjentach, wyniki badań krwi podczas leczenia oraz dokumentację zabiegową. Następnie pacjenci będą regularnie (co sześć miesięcy) poddawani obserwacji w celu rejestracji wystąpienia jakichkolwiek poważnych niekorzystnych zdarzeń sercowych, takich jak zgon sercowo-naczyniowy, nawracający zawał mięśnia sercowego, hospitalizacja z powodu niewydolności serca lub nieplanowana powtórna rewaskularyzacja. Wszystkie zebrane dane, w tym dane kliniczne i przeanalizowane obrazy rezonansu magnetycznego serca, zostaną wykorzystane do zbudowania multimodalnego modelu głębokiego uczenia. Model nauczy się identyfikować cechy związane z przyszłymi problemami sercowymi. Dokładność modelu zostanie przetestowana i zweryfikowana w różnych grupach pacjentów.

Potencjalny wpływ: W przypadku sukcesu to narzędzie predykcyjne mogłoby pomóc lekarzom w wcześniejszej i dokładniejszej identyfikacji pacjentów wysokiego ryzyka, umożliwiając bliższą obserwację i bardziej terminowe interwencje, co ostatecznie poprawiłoby długoterminowe rokowanie u tych pacjentów.