Evaluare integrata contract

CONTRACT DE CERCETARE NR 28 - PCE/2021

EVALUAREA INTEGRATĂ A RISCULUI ARITMIC ȊN CARDIOMIOPATIA HIPERTROFICĂ PRIN TEHNICI DE IMAGISTICĂ CARDIACĂ AVANSATĂ SI INTELIGENȚĂ ARTIFICIALĂ - RISING (RISkImagiNg)

Contract Nr: PCE 28 din 04/02/2021

Cod Proiect: PN-III-P4-ID-PCE-2020-2438

Tip proiect: PN-III-P4-ID-PCE (Proiecte de Cercetare Exploratorie)

Finanțare de la bugetul de stat: 1.190.672 lei

Durata de desfășurare proiect:04.01.2021-31.12.2023 (36 luni)

Echipa de cercetare:

Director proiect - Prof Dr Bogdan Alexandru Popescu

Echipa proiectului -Prof Dr Ruxandra Jurcuţ, Prof. Dr. Cristian Băicuș, Conf Lucian Itu, Dr Monica Roşca, Dr Andreea Călin, Dr Carmen Beladan, Dr Roxana Enache, Dr Daniela Ciupercă, d Monica Trofin, Costin Ciusdel, Anamaria Vizitiu, Alexandru Turcea.

Abstract: Cardiomiopatia hipertrofică (CMH), cea mai frecventă cardiomiopatie genetică, este o afecţiune cu evoluție clinică imprevizibilă. Aritmiile atriale si ventriculare contribuie direct la morbiditatea şi mortalitatea pacienţilor cu CMH. Dat fiind faptul că strategiile actuale de stratificare a riscului în scopul prevenţiei morţii subite sunt suboptimale, identificarea unor noi parametri care să reflecte mai bine substratul aritmogen și riscul aritmic este un subiect de interes. Obiectivul principal al studiului este găsirea unor noi parametri capabili sa identifice pacienţii la risc de aritmii – aritmii ventriculare (AV), fibrilaţie atrială (FA). Vom utiliza o evaluare prin imagistica avansată a mecanicii cardiace şi a obstrucţiei dinamice intraventriculare în repaus şi la efort. Ne propunem să dezvoltăm un model de tip ‘machine-learning’ (ML) pentru localizarea şi cuantificarea fibrozei identificate la rezonanţă magnetică cardiacă (RMC) prin analiza datelor de ecocardiografie speckle-tracking. Intenționăm să arătăm că modelele de tip ML, generate prin integrarea datelor clinice, ECG, de RMC, ecocardiografice de repaus şi efort, au o capacitate mai bună de a detecta şi prezice aritmiile comparativ cu metodele convenționale. O abordare integrativă pentru stratificarea riscului aritmic prin utilizarea imagisticii avansate şi inteligenţei artificiale poate deveni un instrument decizional important pentru reducerea morbidităţii şi mortalităţii legate de AV şi FA la pacienţii cu CMH.

Obiectivul proiectului:Obiectivul principal al studiului nostru este de a găsi noi parametri capabili să identifice pacientii cu CMH şi aritmii (aritmii ventriculare, fibrilație atrială), cu risc de moarte subită cardiacă, folosind o abordare integrată pentru a evalua mecanica cardiacă și obstrucţia dinamică din tractul de ieșire al ventriculului stâng (TEVS), atât în repaus, cât și la efort. Ne propunem să evaluăm rolul parametrilor mecanici (deformarea miocardică a VS şi VD și dispersia mecanică) evaluați prin ecocardiografie speckle tracking atât în repaus, cât și în timpul efortului, ca şi corelanți și predictori ai aritmiilor ventriculare la pacienţii cu CMH.De asemenea, ne propunem să evaluăm rolul deformării atriale stângi și al dispersiei mecanice (în repaus și în timpul efortului) ca predictori ai fibrilației atriale la această categorie de pacienţi. Vom evalua de asemenea rolul prognostic al obstrucției dinamice din tractul de ejecţie al VS induse de efort. Ne propunem să generăm un model multiparametric de învățare automată pentru a identifica pacienţii cu aritmie și pentru a evalua riscul de dezvoltare a aritmiilor în evoluţia pacienţilor cu CMH.

Obiectivele secundare sunt:

- evaluarea relației dintre dispersia electrică și mecanică ventriculară şi cantitatea de fibroză miocardică cuantificată prin rezonanţă magnetică (RM)

- dezvoltarea unui model de învățare automată pentru localizarea și cuantificarea fibrozei pe datele provenite din ecocardiografia speckle tracking, folosind drept informații de bază datele extrase din evaluarea prin RM (studiul identificării fibrozei)

- evaluarea relației dintre dispersia mecanică a VS, disfuncția longitudinală și disfuncția diastolică (în repaus și la efort) cu capacitatea de efort și nivelul seric de BNP

- generarea unui model de învățare automată prin integrarea datelor clinice, ECG, ecocardiografice și de RM într-o abordare multiparametrică pentru identificarea pacienţilor cu CMH şi aritmii (studiul de identificare a aritmiei)

- generarea unui model predictiv de învățare automată pentru recunoașterea pacienţilor cu CMH cu risc de dezvoltare a aritmiilor în evoluţie (studiul predicției aritmiei).

Metodologie: Va fi realizat un studiu prospectiv in care vor fi inrolati 200 pacienti consecutivi cu cardiomiopatie hipertrofica (diagnostic bazat pe criterii recomandate de ghidurile actuale). Vor fi excluşi pacienţii cu istoric cunoscut de boală coronariană, tulburări de cinetica segmentară, in repaus sau la efort, stenoze valvulare semnificative sau proteze valvulare, regurgitare mitrală degenerativă severă, ritm non sinusal, tulburări de ritm sau de conducere, prezenta unui stimulator cardiac, fracţie de ejecţie VS < 50%, suspiciune de etiologie non sarcomerica a hipertrofiei VS – evaluare bazată pe criterii clinice şi paraclinice.

Pacientii vor fi evaluaţi iniţial clinic, ECG, biologic şi prin ecocardiografie de repaus completă (inclusiv evaluare a deformării miocardice atriale stângi si ventriculare (VD şi VS)). Toţi pacienţii, cu excepţia celor simptomatici cu gradient de repaus sau provocat în tractul de ejecţie VS peste 50 mm Hg, vor efectua test ecocardiografic de efort la cicloergometru – test limitat de simptome. Se vor achiziţiona imagini pentru evaluarea gradientului in tractul de ejecţie VS şi a parametrilor de deformare la efort. Toţi pacienţii vor efectua examen de rezonanţă magnetică cardiacă. Pentru determinarea volumelor cavitaţilor cardiace şi a masei VS, precum şi pentru evaluarea structurii miocardului şi a aparatului valvular mitral. Evaluarea cu contrast tardiv se va efectua pentru evaluarea prezenţei şi distribuţiei fibrozei miocardice. Evaluarea Holter ECG/72-ore va fi efectuată pentru toţi pacienţii pentru detectarea aritmiilor ventriculare şi a fibrilaţiei atriale, dispersiei intervalului QT. Pe baza datelor obţinute la evaluarea clinică şi paraclinică vor fi dezvoltate modele de predicţie multi-task deep learning pe baza algoritmilor de inteligenţă artificială pentru detectarea riscului de dezvoltare a aritmiilor maligne.

Perioada de înrolare va fi de 18 luni si pacienţii vor fi reevaluaţi la 1 an si pe termen lung pentru evaluarea evenimentelor aritmice, a MSC resuscitate si a decesului de cauză cardiacă.

Rezumate estimate:Identificarea de noi parametri corelaţi cu prezenta aritmiilor ventriculare, respectiv a fibrilaţiei atriale paroxistice la pacienţii cu CMH (parametri derivati din analiza deformarii miocardice VS/ VD/ AS in repaus si la efort). Crearea unui model de predicţie a fibrozei miocardice la RM prin analiza mapei de deformare longitudinala VS obţinuta prin ecografie de tip speckle-tracking, utilizand inteligenta artificiala. Dezvoltarea modelelor de detectie si predictie a aritmiilor ventriculare maligne si a fibrilatiei atriale paroxistice la pacientii cu CMH prin integrarea datelor clinice, ECG, derivate din ecocardiografia de repaus si efort si RM, utilizand inteligenta artificiala. Rezultatele vor fi publicate in minim 2 articole ISI.

Impact: Întrucât HCM este cea mai frecventă cauză de MSC la tineri, inclusiv la sportivii de performanţă, subiectul propus are un impact potențial ridicat. Strategiile actuale de stratificare a riscului sunt imperfecte, astfel încât, în luarea deciziei de implantare a unui defibrilator cardiac implantabil apar numeroase dileme în practica clinică. Mai mult, decizia de a implanta un ICD ar trebui să ia în considerare, de asemenea, potențialele complicații și inconveniente generate de purtarea unui dispozitiv permanent. În mod paradoxal, tinerii activi cu CMH, expuși la cel mai mare risc de MSC în funcție de vârstă, au, de asemenea, cele mai mari rate cumulate de complicații ale dispozitivului pe perioade lungi de timp. În plus, FiA crește de 4 ori riscul de mortalitate, cauzat în principal de IC și accident vascular cerebral. Mai mult decât atât, FiA este asociată cu un risc de tromboembolism de 8 ori mai mare la pacienţii cu CMH. Prin urmare, stratificarea riscului de FiA nou-apărută la pacienţii cu CMH ar trebui să fie o prioritate şi poate avea un impact asupra urmăririi şi strategiilor de management. Propunem o abordare integrată nouă, originală, concentrată pe analiza mecanicii cardiace și a obstrucției dinamice în repaus și în timpul efortului prin tehnici imagistice de ultimă generație și asistate de modele de machine-learning, în căutarea de noi predictori ai riscului aritmic în CMH. Acești noi parametri ar putea deveni un instrument de luare a deciziilor pentru a reduce morbiditatea și mortalitatea asociate cu MSC și FiA, cu un potențial impact medical și social ridicat. Această abordare poate duce la noi studii prospective de validare. Mai mult, pe măsură ce cantitatea de date disponibile la nivel de pacient continuă să crească, este probabil ca inteligența artificială să devină esențială pentru practica medicinei clinice. Metodele ML oferă oportunități de simplificare a stratificării riscului pentru pacienții cu CMH, oferind o soluție contemporană de integrare a numărului tot mai mare de parametri relevanți într-un model util clinic.