Grant de 4 milioane de dolari de la NIH pentru tratamente AI în insuficiența cardiacă
Un grant de 4 milioane de dolari din partea Institutelor Naționale de Sănătate sprijină cercetătorii de la Școala de Inginerie și Științe Aplicate a Universității din Virginia în dezvoltarea unui instrument de inteligență artificială pentru personalizarea tratamentelor în cazul pacienților cu insuficiență cardiacă.
Beneficiara acestui premiu, Miaomiao Zhang, asistent universitar în inginerie electrică și informatică, colaborează cu colegi din inginerie biomedicală și clinicieni de la UVA Health pentru a dezvolta GenStrain, un model AI care ar putea ajuta medicii să determine ce tip de terapie de stimulare este cea mai benefică pentru fiecare pacient în parte.
Dacă va avea succes, GenStrain ar putea transforma o scanare MRI de rutină disponibilă în majoritatea spitalelor într-o imagine detaliată a modului în care se mișcă mușchiul cardiac al pacientului, ajutând medicii să aleagă terapia de stimulare cu cele mai mari șanse de succes și conducând la o îmbunătățire a îngrijirii cardiace și a rezultatelor pentru pacienți.
Potrivit Asociației Americane a Inimii, peste 6 milioane de americani trăiesc cu insuficiență cardiacă. În cazul multor pacienți, camerele inferioare ale inimii nu mai contracționează sincronizat, slăbind fiecare bătaie a inimii.
Dispozitivele de stimulare implantate care restabilesc această coordonare au îmbunătățit și salvat nenumărate vieți, dar 30% până la 40% dintre pacienții care primesc terapie de resincronizare cardiacă, cea mai comună dintre aceste tratamente, nu răspund așa cum s-ar aștepta. Zhang și echipa ei speră că abordarea lor va ajuta la rezolvarea acestei probleme.
Clinicienii, inclusiv Kenneth Bilchick, cardiolog la UVA Health și co-investigator al lui Zhang, se bazează în prezent pe două abordări principale pentru a atenua insuficiența cardiacă. CRT tradițională utilizează stimularea biventriculară, care stimulează ambele camere inferioare ale inimii. O opțiune mai recentă, stimularea zonei ramurii stângi, funcționează printr-o parte a sistemului electric natural al inimii.
Ambele metode pot fi eficiente, dar medicii nu au încă o modalitate fiabilă de a decide care este cea mai bună pentru un anumit pacient, iar aceasta începe cu datele.
O modalitate de a îmbunătăți aceste decizii este de a măsura strainul miocardic regional, adică cât de bine se întinde și se contractă mușchiul cardiac cu fiecare bătaie. Deși nu există o regulă clinică ghidată pentru a alege o abordare în detrimentul celeilalte, datele despre strain pot oferi indicii despre tratamentele la care pacienții sunt mai predispuși să răspundă, arătând unde și cum inima este dezordonată.
„În prezent, standardul de aur pentru măsurarea acestuia este tehnica MRI DENSE, dar necesită timp suplimentar de scanare și nu este disponibilă pe majoritatea scannerelor din spitale”, a declarat Rishov Paul, student la doctorat care a lucrat timp de trei ani în echipa de cercetare a lui Zhang.
DENSE, acronim pentru displacement encoding with stimulated echoes, urmărește cu precizie modul în care se mișcă țesutul cardiac, dar acest tip de MRI este, de obicei, disponibil doar în spitale de cercetare și unități cardiace specializate.
Scanările standard de MRI cardiacă (cine) sunt larg disponibile, dar nu pot capta același nivel de detaliu. Aceasta lasă medicii într-o dilemă: scanarea MRI care măsoară cel mai bine strainul și care îi poate ajuta să decidă care este cea mai bună abordare de tratament pentru pacienții cu insuficiență cardiacă este una pe care majoritatea acestor pacienți nu o pot obține cu ușurință.
Echipa lui Zhang dezvoltă un model AI generativ care învață din scanările MRI DENSE cum arată mișcarea corectă a inimii, apoi aplică acea cunoștință la scanările MRI standard cine, a spus Paul, dezvoltatorul principal din spatele GenStrain.
„Scopul este de a produce estimări de mișcare și strain de calitate DENSE dintr-o scanare MRI cine de rutină, fără scanări suplimentare”, a spus el.
Zhang a început să cerceteze cum să obțină mai mult din scanările MRI cardiace de rutină în 2023, când a primit un NIH R21 Trailblazer Award. Această muncă a pus bazele pentru noul premiu, care abordează aceeași problemă: ajutarea clinicianilor să asocieze pacienții cu insuficiență cardiacă cu terapia de stimulare cea mai probabilă să le fie de folos.
Ce s-a schimbat din 2023 este amploarea proiectului. Noua finanțare extinde accesul lui Zhang la date din mai multe instituții, iar echipa sa dezvoltă, de asemenea, metode AI mai avansate, concepute să funcționeze fiabil în diverse medii clinice.
„Nu ne mai concentrăm doar pe faptul că modelul funcționează la UVA. Vrem să știm dacă rămâne fiabil în mai multe centre clinice și în cazuri de pacienți provocatoare”, a spus Miaomiao Zhang.
De câțiva ani, Zhang colaborează cu Frederick Epstein și Bilchick. Epstein și echipa sa de cercetare au fost în avangarda dezvoltării MRI cine DENSE în ultimii douăzeci de ani. Echipa lui furnizează datele de imagistică de înaltă calitate utilizate de grupul lui Zhang pentru a construi și evalua modelele AI, în timp ce Bilchick ajută la identificarea întrebărilor clinice la care tehnologia lor va răspunde în cele din urmă.
„Echipa noastră reunește expertiză complementară”, a spus Zhang. „Cercetătorii în imagistică oferă date de înaltă calitate, inginerii dezvoltă instrumentele AI, iar cardiologii ajută la asigurarea faptului că munca răspunde nevoilor clinice reale.”
Oamenii de știință colaborează cu echipe de la Universitatea Virginia Commonwealth, Baylor College of Medicine, Universitatea Utah și alte instituții partenere pentru a testa GenStrain dincolo de UVA. Echipele vor utiliza date de imagistică și clinice anonimizate pentru a evalua cât de precis funcționează modelul în diverse populații de pacienți și medii clinice.
Studentul la doctorat în primul an, Zafer Yildiz, este încântat de potențialul modelului de a ajuta pacienții.
„Sunt interesat de construirea sistemelor AI care sunt nu doar precise, ci și fiabile și practice în medii clinice”, a spus Yildiz, subliniind că lucrul cu datele de imagistică medicală este, prin natura sa, provocator.
„Uneori, echipa de cercetare, care include și studenți la nivel de licență, găsește inconsecvențe între datele lui GenStrain și înregistrările anonimizate ale pacienților care trebuie rezolvate și luate în considerare în model.”
„Scanările medicale nu sunt întotdeauna perfecte, iar uneori detaliile sunt greu de văzut chiar și pentru un radiolog expert”, a spus Yildiz. „Învățarea unui model să le găsească este și mai dificil.”
Deși avansul rapid al AI a extins ceea ce Zhang și echipa sa pot realiza, acuratețea nu este suficientă. Cercetătorii dezvoltă, de asemenea, metode pentru a-și antrena modelele să explice „gândirea” de bază, astfel încât recomandările să fie mai fiabile și interpretab
