Utveckling och validering av en multimodal djupinlärningsmodell baserad på kardiell magnetresonans för långtidsutfallsprediktion vid ST-höjningsinfarkt

Syfte: Denna studie syftar till att utveckla och testa en ny prediktionsmodell baserad på artificiell intelligens. Denna modell kommer att integrera magnetresonanstomografi av hjärtat och kliniska data för att förutsäga långtidsrisken för större kardiovaskulära händelser hos patienter som har genomgått akut perkutan koronarintervention för ST-höjningsinfarkt.

Beskrivning: Denna studie planerar att inkludera patienter med STEMI som har fått primär PCI. Ungefär en vecka efter ingreppet kommer patienterna att genomgå en magnetresonanstomografi av hjärtat. Samtidigt kommer vi att samla in patienternas grundläggande information, blodprovsresultat under behandlingen och proceduranteckningar. Därefter kommer patienterna att följas upp regelbundet (var sjätte månad) för att registrera förekomsten av större kardiovaskulära händelser, såsom kardiovaskulär död, återkommande hjärtinfarkt, sjukhusvistelse för hjärtsvikt eller oplanerad återupprepad revaskularisering. All insamlad data, inklusive kliniska data och analyserade magnetresonansbilder av hjärtat, kommer att användas för att konstruera en multimodal djupinlärningsmodell. Modellen kommer att lära sig att identifiera egenskaper förknippade med framtida hjärtproblem. Modellens noggrannhet kommer att testas och valideras i olika patientgrupper.

Potentiell påverkan: Om framgångsrik skulle detta prediktionsverktyg kunna hjälpa läkare att identifiera högriskpatienter tidigare och mer exakt, vilket möjliggör närmare övervakning och mer tidiga ingripanden, och i slutändan förbättra långtidsprognosen för dessa patienter.