CT -förutsägelse för transkateter Tricuspid -interventioner (CESAR-TR)

Syftet med denna studie är att förbättra förutsägbarheten för terapeutisk framgång i transkateter Tricuspid -ventilintervention (TTVI) för patienter med svår tricuspid regurgitation (TR). Detta kommer att uppnås genom automatiserade analyser av pre-interventional computertomography (CT) -skanningar.

Allvarlig tricuspid regurgitation är förknippad med dåliga patientresultat. I avancerade stadier blir farmakologisk terapi ineffektiv och kirurgisk intervention har en hög dödlighetsrisk. Med tanke på denna kliniska utmaning har kateterbaserad behandling av tricuspidventilen blivit en samlingspunkt för forskning.

En väletablerad behandlingsstrategi är perkutan trikuspidventilintervention, som syftar till att minska uppstötning antingen genom ringsignal, broschyrbaserad kant-till-kant reparation eller ventilersättning. Detta tillvägagångssätt har visat sig avsevärt minska svårighetsgraden av uppstötning, vilket leder till en dramatisk minskning av symptombördan och en markant förbättring av livskvaliteten.

Att förutsäga vilka patienter som kommer att dra mest nytta av TTVI och bestämma den optimala tekniken för varje individ förblir till stor del olösta utmaningar.

Artificial Intelligence (AI) -driven programvara, som Heart.ai av Laralab (München), möjliggör automatiserad mätning av anatomiska strukturer som fångats via CT -avbildning. Denna teknik möjliggör redan snabb och exakt bedömning av hjärtkamrar och tricuspid-ringen under hela hjärtcykeln, vilket underlättar en omfattande tredimensionell utvärdering av höger hjärtaanatomi.

För att förfina patientval och optimera procedurstrategier för TR-behandling, arbetar forskaren ett multicentersamarbete för att analysera behandlingsresultat och patientrespons på specifika terapeutiska tillvägagångssätt.