Aprendizagem de máquina para aumentar o diagnóstico precoce de condições cardiovasculares agudas (MALBEC)

Estado atual de pesquisa no campo

A doença cardiovascular aguda (ACVD) é a principal causa de morte na Suíça e na Europa, responsável por 29% das mortes na Suíça e 36% na Europa. A crescente prevalência de ACVD, incluindo infarto agudo do miocárdio (AMI), insuficiência cardíaca aguda (AHF), embolia pulmonar (PE) e síndromes aórticas agudas (AAS), coloca uma carga significativa nos sistemas de saúde. O diagnóstico dessas condições nos departamentos de emergência (eds) é um desafio devido a sintomas sobrepostos e à necessidade de tomada de decisão rápida e precisa.

A introdução de biomarcadores cardiovasculares, incluindo troponina cardíaca de alta sensibilidade, peptídeo natriurético do tipo B e dímero D revolucionou o diagnóstico precoce. Esses biomarcadores, juntamente com avaliações clínicas e eletrocardiogramas (ECGs), agora são ferramentas essenciais de diagnóstico. No entanto, os algoritmos de diagnóstico atuais ainda têm limitações tremendas.

Os recentes avanços no aprendizado de máquina (ML) e no aprendizado profundo (DL) oferecem oportunidades para melhorar o diagnóstico. A interpretação do ECG baseada em ML e as técnicas de aprendizado transferível (DTL) podem aumentar a precisão do diagnóstico, integrando dados complexos de ECG e biomarcadores. As abordagens automáticas podem refinar ainda mais esses modelos, reduzindo o erro humano e melhorando os fluxos de trabalho clínicos.

A equipe de pesquisa conduziu vários estudos em larga escala, levando a avanços significativos na pesquisa de biomarcadores cardiovasculares e medicina de precisão. Suas contribuições incluem:

• Validação do modelo Mi3, que usa ML para melhorar o NSTEMI
• Introdução do escore de ECG de Basileia, uma ferramenta quantitativa que aprimora o diagnóstico de NSTEMI.
• Validação de Code-ACs, uma ferramenta de suporte à decisão clínica baseada em ML que prevê a probabilidade de NSTEMI com mais eficácia do que os limiares padrão de troponina cardíaca.

A equipe agora está se concentrando na integração de dados de ECG com biomarcadores usando AI/ML para melhorar a precisão e automatizar a tomada de decisões. A colaboração com especialistas internacionais permitiu a aplicação bem -sucedida de redes neurais à interpretação do ECG. Os próximos passos incluem:

• Refinando a interpretação do ECG baseada em ML para incorporar efeitos não aditivos.
• Expandindo os modelos ML para incluir várias condições cardiovasculares além da IMI.
• Integração dessas ferramentas orientadas a IA em fluxos de trabalho clínicos e registros eletrônicos de saúde.

Esta pesquisa tem como objetivo revolucionar o diagnóstico cardiovascular, aproveitando a IA e o ML para uma tomada de decisão mais precisa, mais rápida e clinicamente relevante.

Objetivos:

1. Desenvolva e implemente uma ferramenta de suporte à decisão clínica que visualize os principais dados de diagnóstico.
2. Treine e valide modelos de ML para diagnosticar doenças cardiovasculares agudas (ACVD).
3. Compare o desempenho do modelo ML com os algoritmos de diagnóstico existentes.
4. Validar modelos de ML em grandes ensaios clínicos internacionais.
5. Integrem os modelos de ML ao registro eletrônico de pacientes no Hospital Universitário de Basileia.