Artificiell intelligens för att förbättra upptäckt och riskstratifiering av akut lungemboli (AID-PE) (AID-PE)

Akut lungemboli (PE) är resultatet av partiell eller total ocklusion av lungblodkärlen av tromb, vilket kan orsaka högerkammarsvikt och död om den inte diagnostiseras och behandlas tidigt. Akut PE är ett vanligt tillstånd med stigande dödlighet. Patienter med akut PE är ofta dåligt riskstratifierade trots tydliga riktlinjer. Faktum är att 2019 års nationella konfidentiella utredning om patientrelaterade utfall och dödsfall (NCEPOD) för akut PE belyst behovet av att ta itu med försämrad dödlighet genom lämplig riskstratifiering av tillståndet.

ESC/ERS riktlinjer för diagnos och hantering av akut PE ger också råd om vikten av riskstratifiering. Ett ökat förhållande mellan höger kammare: vänster kammare (RV:LV) >1,0 på datortomografi lungangiogram (CTPA) är associerad med 2,5 gånger ökad risk för dödlighet av alla orsaker och fem gånger risken för PE-relaterad mortalitet. Detta mått är avsett att hjälpa kliniker att skilja mellan patienter med hög och låg risk för akut PE. Patienter stratifierade som högrisk (RV:LV-förhållande >1,0) kräver närmare övervakning inom en slutenvårdsmiljö. Medan patienter stratifierade som lågrisk (RV:LV-förhållande <1,0) är lämpliga för tidig utskrivning genom ambulatoriska vägar.

Därför har tillhandahållandet av RV:LV-mått inom radiologirapportering potentiellt viktiga kliniska implikationer. Om läkare inte förses med några kvantifierbara bevis på RV-dysfunktion att basera sina behandlingsbeslut på, kan patienter med högrisk akut PE oavsiktligt betraktas som "låg risk" och skrivs hem. Dessutom kan patienter med låg risk för akut PE bli föremål för längre, och potentiellt onödiga, slutenvårdsvistelser, vilket utan tvekan bidrar till kostnaderna för sjukvården. Integreringen av artificiell intelligens (AI)-teknik inom radiologirapportering av CTPA för akut PE kan vara en potentiell lösning för att möta denna utmaning.

AI är en allt mer attraktiv teknik inom vården. Den beskriver ett antal datorprogramtekniker som efterliknar mänsklig kognitiv funktion. AI visar lovande förmåga att upptäcka och riskera stratifiera akut PE. De flesta studier har dock utförts i retrospektiva kohorter. Dessutom har ingen aktuell studie tagit upp de hälsoekonomiska effekterna av att implementera AI-teknik inom den verkliga rapporteringen av akut PE.

Denna observationsstudie kommer att ledas av Royal United Hospital Bath NHS Trust (RUH). Syftet med denna studie är att integrera artificiell intelligens och maskininlärningsteknologi i rapporteringen av CTPA för akut PE. Utredarna antar att AI-teknologi kan förbättra den snabba diagnosen, riskskiktningen och hanteringen av akut PE i en verklig klinisk miljö. Utredarna antar också att integration av AI-teknik är kostnadseffektiv och acceptabel för radiologer och kliniker.

Patienter vars skanningar kommer att inkluderas i studien kommer att vara alla de som i följd presenterar sig för RUH med en möjlig diagnos av akut PE under 12 månader före (jämförande kohort) och 12 månader efter (interventionskohort) "live" introduktion av integrerad AI-teknikrapportering . För alla rekryterade deltagare kommer ett anonymiserat formulär för fallrapport från kliniker att användas för att fånga detaljer relaterade till deras demografi, klinisk-radiologiska PE-allvarlighet, deras hantering och resultat inklusive dödlighet vid 12 månader.

Vid analystillfället kommer utredarna att utföra justeringar/matchning mellan de två kohorterna för patientens baslinjeegenskaper. Utredarna kommer också att justera för kalendertiden för rekrytering, för att ta hänsyn till tidsmässiga trender. Analyser mellan båda kohorterna kommer också att möjliggöra utveckling av en beslutsanalysmodell för att bedöma kostnadseffektiviteten av integrerad AI-teknik inom CTPA-rapporten för akut PE. Frågeformulär från läkare och radiolog kommer att användas för att bedöma användarens acceptans.