Artificiell intelligens i ANOCA ((AI)NOCA)

Angina pectoris diagnostiseras i >180.000 personer i Nederländerna varje år. Diagnos vid angina pectoris fokuserar på epikardiell koronarstenos, vars identifiering kan leda till riktlinjeinriktad medicinsk terapi eller revaskularisering. Ingen sådan stenos identifieras dock hos 40-70 % av patienterna. Detta tillstånd, angina utan obstruerad kransartär (ANOCA), är vanligare hos kvinnor och är relaterat till dålig livskvalitet, höga medicinska kostnader och en högre förekomst av biverkningar.

Ursprunget till ANOCA kan utvärderas under invasiv kranskärlsangiografi genom koronarfunktionstestning (CFT) för att identifiera koronar vasomotoriska störningar. Detta hänför sig till vasospasm i kransartären och mikrocirkulationen, eller försämrad mikrovaskulär vasodilatation. För diagnos av vasospasm måste CFT resultera i elektrokardiografiska tecken på myokardischemi som en del av de diagnostiska kriterierna. Detta är en kritisk punkt i diagnosen vasospasm, eftersom dessa tecken kan vara subtila och kan variera, och därför är benägna att misstolkas. Bortsett från denna varning kräver diagnosmetoden därför för närvarande en invasiv procedur för diagnosen. Detta begränsar den breda tillämpningen och hindrar tidig identifiering och behandling av ANOCA.

Under CFT förs en koronar guidetråd rutinmässigt fram i kransartären, vilket också gör det möjligt att erhålla ett intrakoronärt EKG genom att fästa en steril alligatorklämma på en standard elektrokardiogramavledning. Detta möjliggör kontinuerlig registrering av intrakoronar-EKG genom hela CFT på samma monitor som rutin-EKG. Denna teknik kan öka känsligheten för myokardischemi under CFT. Vidare möjliggör Holter EKG-övervakning identifiering av ischemiska förändringar i EKG:t i poliklinisk miljö. Bevis saknas om mönstren av myokardischemi som uppstår under spontana angina pectoris-symtom hos ANOCA-patienter, och om Holter-EKG:s känslighet för detta ändamål. Slutligen kan tolkningen av ischemiska mönster på EKG-spårning vara besvärlig, särskilt när förändringar är subtila eller ändras från slag till slag. Användningen av djupinlärningstekniker gör det möjligt att automatisera tolkningen av EKG-spår och kan förbättra den standardiserade diagnosen i ANOCA.