Neueste Meldungen

Multikohorten Studie zu einem Deep Learning Algorithmus - Retrospektive Datenanalyse - Darstellung von Herzschlägen: Automatisierte Auswertung von Echokardiogrammen

  • Herzinsuffizienz ist ein ernstes globales Gesundheitsproblem und eine frühzeitige Behandlung der Krankheit kann die Belastung der Gesundheitssysteme verringern.
  • Echokardiogramm ist die am häufigsten angesehene primäre Methode zur Beurteilung der Herzstruktur und -funktion bei der Diagnose von Herzinsuffizienz.
  • Die manuelle Interpretation von Echokardiogrammen kann zeitaufwändig und fehleranfällig sein. Infolgedessen wurde ein vollautomatischer Deep-Learning-Workflow zur Klassifizierung, Segmentierung und Kommentierung zweidimensionaler (2D) Videos und Doppler-Modalitäten in Echokardiogrammen entwickelt.

Ergebnisse


  • Ein auf Deep Learning basierender End-to-End-Workflow könnte echokardiographische Ansichten und Doppler-Modalitäten automatisch klassifizieren und kardiale systolische und diastolische Funktionsparameter beurteilen.
  • Die externe Validierung des Arbeitsablaufs in verschiedenen Kohorten aus verschiedenen Ländern, Gesundheitssystemen und Teilnehmenden aus Asien, Kanada und den USA zeigte die Verallgemeinerbarkeit automatisierter Messungen bei Männern, Frauen und klinischen Patient:innen unter realen Bedingungen mit unterschiedlichen ethnischen Hintergründen.
  • Die Variabilität der automatischen Messungen war geringer als die Variabilität der manuellen Messungen durch fachkundige Ultraschalltechniker:innen.

Die r-Koeffizienten und p-Werte gelten für die log-transformierten Werte. In der asiatischen Kohorte: Die Korrelationen zwischen automatisierten und manuellen Messungen reichten von r = 0,88 für E-Welle (mittlerer absoluter Fehler [MAE] 7,4 cm/s) bis r = 0,95 für das linksventrikuläre endsystolische Volumen (LVESV) (MAE 10,2 ml). Die Korrelation zwischen automatisierten und manuellen Messungen betrug r = 0,89 (MAE 5,5 %) für LVEF, r = 0,92 (MAE 0,7 cm/s) für e' lateral und r = 0,90 (MAE 1,7) für E/e'-Verhältnis.
In der kanadischen Kohorte: Die Korrelationen zwischen automatisierten und manuellen Messungen reichten von r = 0,67 für e’ medial (MAE 1,0 cm/s) bis r = 0,91 für LVESV (MAE 16,5 ml). Die Korrelation zwischen automatisierten und manuellen Messungen betrug r = 0,75 (MAE 8,6 %) für die linksventrikuläre Ejektionsfraktion (LVEF), r = 0,78 (MAE 1,2 cm/s) für e’ lateral und r = 0,75 (MAE 2,2) für das E/e’-Verhältnis.
In der Kohorte von Taiwan: Die Korrelationen zwischen automatisierten und manuellen Messungen reichten von r = 0,62 für das linksatriale systolische Endvolumen (LAESV) (MAE 9,2 ml) bis r = 0,88 für e’ lateral (MAE 1,6 cm/s). Die Korrelation zwischen automatisierten und manuellen Messungen betrug r = 0,75 (MAE 10,2 %) für LVEF, r = 0,87 (MAE 1,6 cm/s) für e’ lateral und r = 0,79 (MAE 1,8) für E/e’-Verhältnis.

In der asiatischen Kohorte: Die Fläche unter der Receiver-Operating-Characteristic-Kurve (AUC) betrug 0,96 (95 %-Konfidenzintervall [CI] 0,92 – 0,99) für die Bestimmung von Teilnehmenden mit systolischer Dysfunktion (LVEF 40 %), 0,95 (0,88 – 0,99) für eine laterale e’-Wellengeschwindigkeit von weniger als 10 cm/s und 0,96 (0,92 – 0,99) für ein E/e’-Verhältnis von 13 oder höher.
In der kanadischen Kohorte: Basierend auf automatisierten Messungen betrug die AUC 0,91 (0,88 – 0,94) für die Identifizierung von Teilnehmenden mit einer LVEF von weniger als 40 %, 0,88 (0,84 – 0,92) für eine e’-Quergeschwindigkeit von weniger als 10 cm/s und 0,91 (0,88 – 0,94) für ein E/e’-Verhältnis von 13 oder höher.
In der Kohorte von Taiwan: Die AUC betrug 0,90 (0,89 – 0,90) für die Identifizierung von Teilnehmenden mit einer LVEF von weniger als 40 %, 0,94 (0,93 – 0,95) für eine e’-Quergeschwindigkeit von weniger als 10 cm/s und 0,91 (0,89 – 0,93) für ein E/e’-Verhältnis von 13 oder höher.

Schlussfolgerung


Deep-Learning-Algorithmen können 2D-Videos und Doppler-Modalitäten automatisch mit der gleichen Präzision annotieren wie erfahrene Sonographen. Die Verwendung eines automatisierten Workflows kann den Zugriff beschleunigen, die Qualität verbessern und die Kosten bei der Diagnose und dem Management von Herzinsuffizienz weltweit senken.

Quelle:
Tromp J, Seekings PJ, Hung CL, et al. Automated interpretation of systolic and diastolic function on the echocardiogram: A multicohort study. Lancet Digit Health. 2022;4(1):e46–e54.


NON-2023-2649_2023-03

Einblicke in die Forschung

Atherogene Plasmaindizes sind unabhängige Prädiktoren für einen langsamen Koronarfluss

  • Langsamer Koronarfluss (Coronary Slow Flow, CSF) ist eine mikrovaskuläre Erkrankung, die durch das langsame Eindringen von röntgendichten Kontrastmitteln in distale Gefäßstrukturen während der Koronarangiographie in Gegenwart normaler oder nahezu normaler epikardialer Koronararterien gekennzeichnet ist.
  • Obwohl die Pathophysiologie von CSF nicht vollständig verstanden ist, deuten neue Evidenzen auf eine Rolle für subklinische diffuse Atherosklerose in der Ätiologie von CSF hin.

Zielsetzung


Ziel dieser Studie war es, den Zusammenhang zwischen atherogenen Indizes und CSF zu untersuchen.

Methoden


In die Studie eingeschlossene Patienten:

  • 130 Patienten mit diagnostiziertem langsamen Koronarfluss
  • 130 Kontrollen mit normalem Koronarfluss (NCF)

Mit konventionellen Lipidparametern,

  • Atherogene Indizes (atherogener Index des Plasmas [AIP],
  • Die Castelli-Risikoindizes I und II [CRI-I und II]) wurden berechnet.

Ergebnisse


  • Im Vergleich zur Kontrollgruppe hatten Patienten mit dem langsamen Koronarfluss größere atherogene Indizes und niedrigere HDL-C-Werte.

  • Atherogene Indizes wie der atherogene Index des Plasmas (AIP), der Castelli-Risikoindex II (CRI-II), das aktuelle Rauchen und das männliche Geschlecht erwiesen sich als unabhängige Risikofaktoren für CSF (Abbildung 1).

  • Leukozytenzahl, Neutrophilen-Lymphozyten-Verhältnis, Thrombozyten-Lymphozyten-Verhältnis, Neutrophilenzahl, Thrombozytenzahl, LDL-C, Triglyceride non-HDL-C, AIP, atherogener Koeffizient, CRI-I- und II-Werte waren in der CSF - Gruppe deutlich höher als in der Kontrollgruppe.

AIP: Atherogener Index des Plasmas; CI: Konfidenzintervall, ZNS: Langsamer Koronarfluss, CRI-II: Castelli-Risikoindex II, PLR: Thrombozyten/Lymphozyten Verhältnis. p-Wert < 0,05 wurde als signifikant angesehen.

Schlussfolgerung


Die AIP- und CRI-II-Spiegel waren unabhängige Prädiktoren für CSF. Prospektive Studien an größeren Patientenkohorten könnten mehr Licht auf die Rolle der atherogenen Dyslipidämie in der Pathophysiologie der CSF werfen.

Quelle:
Afsin A, Kaya H, Suner A, et al. Plasma atherogenic indices are independent predictors of slow coronary flow. BMC Cardiovasc Disord. 2021;21:608.


NON-2023-2649_2023-03