Das AI -Tool simuliert die Herznartigkeit, um die Behandlung von Vorhofflimmern zu personalisieren

Forscher der Queen Mary University of London haben ein KI -Tool entwickelt, das synthetische, aber medizinisch genaue Modelle für fibrotische Herzgewebe (Herznarben) erzeugt und die Behandlungsplanung für Vorhofflimmern (AF -Patienten) unterstützt. Die in Grenzen in kardiovaskuläre Medizin veröffentlichte Studie könnte zu einer stärkeren personalisierten Versorgung von Patienten führen, die von dieser gemeinsamen Herzrhythmusstörung betroffen sind.

Fibrose bezieht sich auf Narbengewebe, das sich im Herzen entwickelt, oft aufgrund des Alterns, des langfristigen Stresses oder des AF-Zustands selbst. Diese Flecken von steifem, faserigem Gewebe stören das elektrische System des Herzens, was möglicherweise den unregelmäßigen Herzschlag von AF bewirkt. Derzeit durch spezialisierte MRT-Scans (LGE-MRI) bewertet, beeinflusst das Muster und die Verteilung dieser Narben die Behandlungsergebnisse signifikant.

Vorhofflimmern wird häufig mit Ablation behandelt – ein Verfahren, bei dem Ärzte kleine, kontrollierte Narben erstellen, um unregelmäßige elektrische Signale zu blockieren. Die Erfolgsraten variieren jedoch erheblich und die Vorhersage, welcher Ansatz für einzelne Patienten am besten geeignet ist, bleibt eine Herausforderung. Während die KI für die Prognoseergebnisse vielversprechend gezeigt hat, wurde ihre Entwicklung durch einen begrenzten Zugang zu hochwertigen Patienten im Bildgebungsdaten behindert.

LGE-MRI liefert wichtige Informationen über Herzfibrose, aber es ist eine Herausforderung, genügend Scans für ein umfassendes KI-Training zu erhalten. Wir haben ein KI-Modell für nur 100 echte LGE-MRI-Scans von AF-Patienten ausgebildet. Das System erzeugte dann 100 zusätzliche synthetische Fibrosemuster, die reale Herznarben genau imitieren. Diese virtuellen Modelle wurden verwendet, um zu simulieren, wie unterschiedliche Ablationsstrategien bei unterschiedlichen Patientenanatomien funktionieren könnten. “

Dr. Alexander Zolotarev, Erste Autorin der Queen Mary University of London

Das fortschrittliche Diffusionsmodell des Teams erzeugte Synthetikfibroseverteilungen, die reale Patientendaten mit außergewöhnlicher Genauigkeit übereinstimmten. Wenn diese AI-geschaffenen Muster auf 3D-Herzmodelle angewendet und gegen verschiedene Ablationsansätze getestet wurden, erwiesen sich die daraus resultierenden Vorhersagen nahezu zuverlässig wie diejenigen, die echte Patientendaten verwenden. Entscheidend ist, dass diese Methode die Privatsphäre von Patienten schützt und es den Forschern ermöglicht, ein viel breiteres Spektrum an Herzszenarien zu untersuchen, als herkömmliche Methoden zulässt.

Die Forschung beleuchtet die aufkommende Rolle der KI eher als klinisches Support-Tool als als Entscheidungsträger. „Hier geht es nicht darum, das Urteil der Ärzte zu ersetzen“, betont Dr. Zolotarev. „Es geht darum, Klinikern einen ausgefeilten Simulator zu bieten – und ermöglicht es ihnen, verschiedene Behandlungsansätze auf einem digitalen Modell der einzigartigen Herzstruktur jedes Patienten zu testen, bevor das tatsächliche Verfahren durchgeführt wird.“

Diese Arbeit ist Teil des Ukri Future Leaders Fellowship -Projekts von Dr. Caroline Roney, das darauf abzielt, personalisierte „digitale Twin ‚Heart -Modelle für AF -Patienten zu entwickeln.

Dr. Caroline Roney von der Queen Mary University of London, führender Autorin der Studie, sagte: „Wir freuen uns sehr über diese Forschung, da sie die Herausforderung begrenzter klinischer Daten für digitale Zwillingsmodelle für Herz-digitaler digitaler digitaler Modelle ermöglicht. Unsere Schlüsselentwicklung ermöglicht große Maßstäbe in Silico-Studien und patientenspezifischen Modellierung, die für die Schaffung von mehr personalisierten Behandlungen für Vorhoffleitungspatienten abzielen.“

Da Vorhofflimmern 1,4 Millionen Menschen in Großbritannien betrifft und die Ablation in der Hälfte der Fälle ausfällt, könnte die Technologie Wiederholungsverfahren erheblich verringern. Wichtig ist, dass der KI -Ansatz zwei kritische Herausforderungen für die Gesundheitsversorgung behandelt: begrenzte Verfügbarkeit von Patientendaten und die ethische Notwendigkeit, sensible medizinische Informationen zu schützen.

Quellen: