Машинное обучение для повышения ранней диагностики острой сердечно -сосудистых состояний (MALBEC)

Текущее состояние исследований в этой области

Острые сердечно -сосудистые заболевания (ACVD) являются основной причиной смерти в Швейцарии и Европе, ответственной за 29% смертей в Швейцарии и 36% по всей Европе. Увеличивающаяся распространенность ACVD, включая острый инфаркт миокарда (AMI), острой сердечной недостаточности (AHF), легочную эмболию (PE) и острые аортальные синдромы (AAS), накладывает значительное бремя на системы здравоохранения. Диагностика этих состояний в отделениях неотложной помощи (EDS) является сложной задачей из-за перекрывающихся симптомов и необходимости быстрого, точного принятия решений.

Внедрение сердечно-сосудистых биомаркеров, в том числе высокочувствительный сердечный тропонин, натрийуретический пептид B, и D-димер революционизировал раннюю диагностику. Эти биомаркеры, наряду с клиническими оценками и электрокардиограммами (ЭКГ), в настоящее время являются важными диагностическими инструментами. Тем не менее, современные диагностические алгоритмы все еще имеют огромные ограничения.

Последние достижения в области машинного обучения (ML) и глубокого обучения (DL) предлагают возможности для улучшения диагноза. Методы интерпретации ЭКГ на основе ML и глубоководного обучения (DTL) могут повысить точность диагностики путем интеграции сложных данных ЭКГ и биомаркеров. Automl подходы могут дополнительно уточнить эти модели, уменьшить человеческие ошибки и улучшить клинические рабочие процессы.

Исследовательская группа провела несколько крупномасштабных исследований, ведущих к значительным достижениям в исследованиях сердечно-сосудистых биомаркеров и точной медицине. Их вклад включает в себя:

• Валидация модели MI3, которая использует ML для улучшения NSTEMI
• Введение базового показателя ЭКГ, количественного инструмента, который повышает диагноз NSTEMI.
• Валидация CODE-ACS, на основе ML-клинической поддержки решений, которая прогнозирует вероятность более эффективной вероятности NSTEMI, чем стандартные пороги сердечного тропонина.

В настоящее время команда сосредоточена на интеграции данных ЭКГ с биомаркерами с использованием AI/мл для повышения точности и автоматизации принятия решений. Сотрудничество с международными экспертами позволило успешно применять нейронные сети к интерпретации ЭКГ. Следующие шаги включают:

• Уточнение интерпретации ЭКГ на основе ML для включения неаддитивных эффектов.
• Расширение моделей ML для включения нескольких сердечно -сосудистых условий за пределами AMI.
• Интеграция этих инструментов, управляемых искусственным интеллектом в клинические рабочие процессы и электронные медицинские карты.

Это исследование направлено на революцию в сердечно-сосудистой диагностике путем использования ИИ и ML для более точного, более быстрого и клинически значимого принятия решений.

Цели:

1. Разработать и внедрить инструмент поддержки клинических решений, который визуализирует ключевые диагностические данные.
2. Обучить и проверять модели ML для диагностики острых сердечно -сосудистых заболеваний (ACVD).
3. Сравните производительность модели ML с существующими диагностическими алгоритмами.
4. Проверить модели ML в крупных международных клинических испытаниях.
5. Интегрируйте модели ML в электронные записи пациентов в Базеле Университетской больницы.