Μια προοπτική, πολυκεντρική ευρωπαϊκή μελέτη στοχεύει στην επικύρωση ενός συστήματος τεχνητής νοημοσύνης που θα μπορούσε να βοηθήσει τους γενικούς ιατρούς και τους καρδιολόγους να διαγνώσουν την καρδιακή ανεπάρκεια νωρίτερα και με μεγαλύτερη ακρίβεια, καθώς και να κατατάξουν το ρίσκο.
Η καρδιακή ανεπάρκεια (ΚΑ) επηρεάζει περισσότερους από 64 εκατομμύρια ανθρώπους παγκοσμίως και παραμένει εξαιρετικά δύσκολη στη διάγνωση, ιδιαίτερα στην πρωτοβάθμια φροντίδα, όπου συμπτώματα όπως η δύσπνοια, το οίδημα και η κόπωση επικαλύπτονται με άλλες συχνές παθήσεις. Η εξέταση των νatriουρητικών πεπτιδίων (NT-proBNP), το τρέχον εργαλείο πρώτης γραμμής για τους παθολόγους, είναι εξαιρετικά ευαίσθητη για τον αποκλεισμό της ΚΑ, αλλά έχει χαμηλή ειδικότητα (περίπου 65%), με αποτέλεσμα να δημιουργεί μεγάλο αριθμό ψευδώς θετικών αποτελεσμάτων και περιττών παραπομπών. Ως εκ τούτου, έως και τα δύο τρίτα των ασθενών που παραπέμπονται σε δευτεροβάθμια φροντίδα με υποψία ΚΑ δεν επιβεβαιώνεται η διάγνωση με την ηχοκαρδιογραφία.
Η μελέτη STRATIFYHF, η οποία δημοσιεύτηκε στο BMJ Open και επικεφαλής είναι ερευνητές από το Πανεπιστήμιο του Νιούκαστλ και το Πανεπιστήμιο του Κόβεντρι, στοχεύει να καλύψει αυτό το κενό αναπτύσσοντας και επικυρώνοντας ένα σύστημα υποστήριξης αποφάσεων (ΣΥΔ) με βάση την τεχνητή νοημοσύνη (ΤΝ) για τη στρατολόγηση κινδύνου, τη διάγνωση και την πρόοδο της νόσου στην ΚΑ.
Η STRATIFYHF (NCT06377319) είναι μια προοπτική, μακροχρόνια μελέτη κοόρτης που θα στρατολογήσει έως και 1.600 ενήλικες ηλικίας ≥45 ετών σε οκτώ κλινικά κέντρα στο Ηνωμένο Βασίλειο, τη Γερμανία, την Ιταλία, τη Σερβία, τις Κάτω Χώρες και την Ισπανία.
Οι συμμετέχοντες χωρίζονται σε δύο ομάδες:
Οι συμμετέχοντες παρακολουθούνται για έως και 24 μήνες, με ολοκληρωμένες αξιολογήσεις, ιατρικό ιστορικό, φυσική εξέταση, βιοδείκτες αίματος, ΗΚΓ, ηχοκαρδιογραφία και ερωτηματολόγια ποιότητας ζωής, οι οποίες επαναλαμβάνονται στη βάση και στους 12 μήνες.
Πέραν των τυπικών εξετάσεων, η STRATIFYHF ενσωματώνει διάφορα καινοτόμα διαγνωστικά εργαλεία:
Το ΣΥΔ θα χρησιμοποιήσει προσεγγίσεις μηχανικής μάθησης, συμπεριλαμβανομένων νευρωνικών δικτύων, τυχαίων δασών, μηχανών υποστήριξης διανυσμάτων και βαθμωτής ενίσχυσης, εκπαιδευμένα σε μακροχρόνια δεδομένα ασθενών για την πρόβλεψη του χρόνου έναρξης της ΚΑ και της πρόοδου της νόσου. Οι προβλέψεις του μοντέλου θα καταστούν ερμηνεύσιμες χρησιμοποιώντας τεχνικές εξηγήσιμότητας (LIME, τιμές Shapley) για την ενίσχυση της εμπιστοσύνης των κλινικών, και η απόδοσή του θα αναφέρεται χρησιμοποιώντας δείκτες ευαισθησίας, ειδικότητας, F1 και R², με ανεξάρτητη επικύρωση χρησιμοποιώντας ένα σύνολο ελέγχου από το Πανεπιστήμιο της Φλωρεντίας.
Ο συγγραφείς υποστηρίζουν ότι τα τρέχοντα εργαλεία στρατολόγησης κινδύνου για την ΚΑ είναι περιορισμένα και σπάνια εφαρμόζονται στην καθημερινή πρακτική, αφήνοντας τους παθολόγους χωρίς επαρκή μέσα για τη βελτίωση των αποφάσεων παραπομπής. Η STRATIFYHF στοχεύει να παράγει ένα επικυρωμένο ΣΥΔ, ενεργοποιούμενο μέσω εφαρμογής κινητού τηλεφώνου, που θα μπορούσε να μειώσει τις περιττές παραπομπές σε δευτεροβάθμια φροντίδα, να υποστηρίξει νωρίτερη και πιο ακριβή διάγνωση και να βελτιώσει την πρόβλεψη της πρόοδου της νόσου, με ομάδες εστίασης και συνεντεύξεις με κλινικούς και ασθενείς να διαμορφώνουν τον σχεδιασμό και τη χρηστικότητα της τελικής εφαρμογής κινητού τηλεφώνου.
