Prädiktion klinischer Endpunkte von Patienten mit chronischer mittelgradiger Aortenklappeninsuffizienz mit Deep Learning
Kardiologie, Angiologie
Zusammenfassung der Projektergebnisse
In den letzten Jahrzehnten wurde der klinische Verlauf schwerer Aortenklappeninsuffizienz erforscht, doch die genetische und pathophysiologische Verknüpfung mit linksventrikulärer Dysfunktion als kontinuierliche Merkmale blieb unklar. Künstliche Intelligenz (KI)-Modellierung bietet hier eine innovative diagnostische Lösung. Das Hauptziel des Projekts war die KI-gestützte Analyse des natürlichen Verlaufs der Aortenklappeninsuffizienz, wobei Genotyp und Phänotyp im Mittelpunkt standen. Ein weiteres Ziel war die Entwicklung genauer KI-Vorhersagemodelle für klinische Ergebnisse in mittelgradiger Aortenklappeninsuffizienz. Mit den Ressourcen der multizentrischen UK Biobank konnte DeepFlow, um aortenstromabhängige Parameter aus Kardio-MRTs (N = 39745) zu extrahieren, entwickelt werden. Dies hat einen Einblick in die genetische Architektur der chronischen Aortenklappeninsuffizienz ermöglicht. Insbesondere waren der Locus LINC01808 auf Chromosom 2 (in der genomweiten Assoziationsstudie für die gesamte Population) und AMZ1/GNA12 auf Chromosom 7 (in der Sensitivitätsanalyse) signifikant mit Aortenklappeninsuffizienz-Fraktion assoziiert. Mendelsche Randomisierung identifizierte eine kausale Rolle für die Aortenwurzelgröße bei der Aortenklappeninsuffizienz (+0,23% pro cm2/m2). Beitragende Varianten wurden mit Genen in der Nähe von ELN, PRDM6 und ADAMTS7 in Verbindung gebracht, die in Bindegewebs- und Blutdruckwegen involviert sind. Mit Hilfe der topologischen Datenanalyse (TDA) konnte ein 'Loop'-Muster in kardialen funktionalen und morphologischen Parametern über verschiedene Grade der Schwere der Aortenklappeninsuffizienz beobachtet werden. Allerdings scheint die durchschnittliche Schwere der Insuffizienz selbst nicht der vorherrschende Faktor zu sein, der diese TDA-Struktur beeinflusst. Die Untersuchung klinischer Ergebnisse mit den bisherigen Cut-offs für mittelgradige und schwere Aortenklappeninsuffizienz (>22% bzw. >33%) bestätigte die Assoziation einer höheren Schwere mit erhöhter Mortalität anhand von Kaplan-Meier-Kurven. Diese Daten stimmen mit den aktuellen Leitlinien zur Behandlung überein. Bescheidene Vorhersagen für die allgemeine Sterblichkeit konnten mit Modellen wie Random Forest (AUC 0,57), Support Vector Machine (AUC 0,63) und Neuronalen Netzwerken (AUC 0,67) für die Vorhersage der allgemeinen Sterblichkeit bei mindestens mittelgradiger Aortenklappen-Regurgitationsfraktion erzielt werden. Abschließend deckt diese Studie die genomische Architektur der Aortenklappeninsuffizienz auf und deren komplexe Beziehung zur Aortengröße. Die Mendelsche Randomisierungsanalyse ist bahnbrechend bei der Erkennung von genetischen Instrumenten, die die Aortenklappeninsuffizienz beeinflussen könnten. Zukünftige Studien, die das gesamte Spektrum der Herzkrankheiten mit den neuesten Transformer-basierten Clustering-Modellen direkt aus Rohdaten untersuchen, könnten noch aussagekräftigere Ergebnisse liefern.
Projektbezogene Publikationen (Auswahl)
-
Defining left ventricular remodeling using lean body mass allometry: a UK Biobank study. European Journal of Applied Physiology, 123(5), 989-1001.
Gomes, Bruna; Hedman, Kristofer; Kuznetsova, Tatiana; Cauwenberghs, Nicholas; Hsu, David; Kobayashi, Yukari; Ingelsson, Erik; Oxborough, David; George, Keith; Salerno, Michael; Ashley, Euan & Haddad, Francois
-
Genetic architecture of cardiac dynamic flow volumes. Nature Genetics, 56(2), 245-257.
Gomes, Bruna; Singh, Aditya; O.’Sullivan, Jack W.; Schnurr, Theresia M.; Goddard, Pagé C.; Loong, Shaun; Amar, David; Hughes, J. Weston; Kostur, Mykhailo; Haddad, Francois; Salerno, Michael; Foo, Roger; Montgomery, Stephen B.; Parikh, Victoria N.; Meder, Benjamin & Ashley, Euan A.
