Corlipid: Προσυμπτωματική διαγνωστική προσέγγιση Στεφανιαίας Νόσου

Προβλεπτική εξέταση πρoσυμπτωματικού ελέγχου αποφρακτικής Στεφανιαίας Νόσου με τη χρήση μεταβολομικου αλγορίθμου Μηχανικής Μάθησης

Η ανάπτυξη εργαλείων εκτίμησης κινδύνου για την πρόβλεψη της στεφανιαίας νόσου (CAD) παραμένει μια μεγάλη πρόκληση στις μέρες μας.

Η συνεργασία της “ανάλυσης” με το Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης και την Α΄ Καρδιολογική Πανεπιστημιακή Κλινική του Γενικού Πανεπιστημιακού Νοσοκομείου ΑΧΕΠΑ στο πλαίσιο της μελέτης CorLipid οδήγησε σε ένα προηγμένο διαγνωστικό πλαίσιο (diagnostic framework), που βασίζεται στο συνδυασμό στοχευμένων μεταβολομικών και βιοχημικών εργαστηριακών εξετάσεων και ιατρικών δεδομένων με σύγχρονες και αποδοτικές/εξελιγμένες τεχνικές Μηχανικής Μάθησης (Machine Learning), αναπτυγμένες και βελτιστοποιημένες αποκλειστικά για τη συγκεκριμένη εφαρμογή. Το έργο υλοποιήθηκε στο πλαίσιο της Δράσης ΕΡΕΥΝΩ – ΔΗΜΙΟΥΡΓΩ – ΚΑΙΝΟΤΟΜΩ ( Τ1ΕΔΚ-04005) που συγχρηματοδοτήθηκε από το Ευρωπαϊκό Ταμείο Περιφερειακής Ανάπτυξης (ΕΤΠΑ) και εθνικούς πόρους και αποτελεί σύμπραξη πανεπιστημιακών φορέων με επιχειρήσεις.

Η “ανάλυση” προσφέρει έτσι ένα βελτιωμένο και αυτοματοποιημένο διαγνωστικό πλαίσιο βασισμένο στον αρχικό διαγνωστικό αλγόριθμο της μελέτης.

Μέσω αιματολογικής εξέτασης για τον προσδιορισμό ενός πάνελ μεταβολικών βιοδεικτών και καθιερωμένους βιοδείκτες προσφέρεται η δυνατότητα εκτίμησης την πιθανότητας, προ της εξέτασης, αποφρακτικής στεφανιαίας νόσου ανεξαρτήτως σταδίου ως εξέταση πρoσυμπτωματικού ελέγχου (screening) συνδυαστικά ή και πριν από μια Ψηφιακή Στεφανιογραφία ή Επεμβατική Στεφανιογραφία, σε ποσοστό βεβαιότητας άνω του 70%. Το πακέτο εξετάσεων περιλαμβάνει τη μέτρηση ενός πάνελ βιοδεικτών σε αίμα σε συνδυασμό με κλινικά δεδομένα.

Εικόνα 1 οι αρχικές παράμετροι του διαγνωστικού πλαισίου από την έρευνα CORLIPID

Η μέθοδος προσφέρει αξιόπιστα και ακριβή αποτελέσματα με χρήση του ελάχιστου δυνατού πλήθους προβλεπτικών βιοδεικτών, επιτυγχάνοντας με τον τρόπο αυτό μείωση του απαιτούμενου χρόνου διάγνωσης και συρρίκνωση του συνολικού κόστους των εξετάσεων που χρειάζονται.

Για την ανάλυση των εργαστηριακών δεδομένων αναπτύχθηκε στοχευμένη ειδικά σχεδιασμένη εφαρμογή, που αξιοποιεί τις σύγχρονες εξελίξεις στον χώρο της Μηχανικής Μάθησης, με γνώμονα τις υψηλές αποδόσεις, την ευελιξία και την ταχύτητα όπως παρουσιάζεται στο άρθρο της μελέτης που δημοσιεύτηκε : Machine Learning Algorithm to Predict Obstructive Coronary Artery Disease: Insights from the CorLipid Trial. Metabolites 2022, 12, 816. (https://doi.org/10.3390/metabo12090816 .)

Το διαγνωστικό μοντέλο που μπορεί να εκτιμήσει την πιθανότητα προ της εξέτασης αποφρακτικής στεφανιαίας νόσου και προέκυψε από ένα εκτενές σύνολο δεδομένων μεταβολομικής, κλινικών και απεικονιστικών δεδομένων από μεγάλο πληθυσμό ασθενών είναι μοναδικό γιατί :

• Χρησιμοποιεί πραγματικά κλινικά δεδομένα απευθείας από την κλινική και δεν απαιτεί την εκτέλεση κλινικών διαδικασιών, όπως ηχοκαρδιογράφημά ή άλλες απεικονιστικές εξετάσεις.

• Μπορεί να χρησιμοποιηθεί υποστηρικτικά στην κλινική αντιμετώπιση της Στεφανιαίας Νόσου ως εξέταση πρoσυμπτωματικού ελέγχου (screening) συνδυαστικά ή και πριν από μια Ψηφιακή Στεφανιογραφία ή Επεμβατική Στεφανιογραφία.

Έτσι, πλήθος μεμονωμένων προβλεπτικών μοντέλων δέντρων απόφασης (decision trees) αναπτύσσονται παράλληλα και συνδυάζονται αποτελεσματικά (boosting ensemble learning technique), προσφέροντας άμεσα υψηλή ακρίβεια πρόγνωσης/διάγνωσης μέσω του αλγόριθμου πρόβλεψης κινδύνου (boosted ensemble algorithm) για τον εντοπισμό ασθενών υψηλού κινδύνου για σύνθετη στεφανιαία νόσο.

Σχετική Βιβλιογραφία

• Panteris, E.; Deda, O.; Papazoglou, A.S.; Karagiannidis, E.; Liapikos, T.; Begou, O.; Meikopoulos, T.; Mouskeftara, T.; Sofidis, G.; Sianos, G.; et al. Machine Learning Algorithm to Predict Obstructive Coronary Artery Disease: Insights from the CorLipid Trial. Metabolites 2022, 12, 816, doi:10.3390/metabo12090816.

• Karagiannidis E1* , Moysidis D1, Papazoglou A , Panteris E, Deda O, Stalikas N, Sofidis G, Kartas A, Bekiaridou A, Giannakoulas G, Gika H, Theodoridis G, Sianos G*, Prognostic significance of metabolomic biomarkers in patients with diabetes mellitus and coronary artery disease, Cardiovascular Diabetology 2022, https://doi.org/10.21203/rs.3.rs-1421943/v1
• Deda O^1*, Panteris E^1*, Meikopoulos T, Begou O, Mouskeftara T, Karagiannidis E, Papazoglou AS, Sianos G, Theodoridis G, Gika H^* (2022) Correlation of Serum Acylcarnitines with Clinical Presentation and Severity of Coronary Artery Disease. Biomolecules, 12(3):354. https://doi.org/10.3390/biom12030354
• Meikopoulos T, Deda O, Karagiannidis E, Sianos G, Theodoridis G, Gika H (2022) A HILIC-MS/MS method development and validation for the quantitation of 13 acylcarnitines in human serum. Analytical and Bioanalytical Chemistry, https://doi.org/10.1007/s00216-022-03940-9
• Begou O, Deda O, Karagiannidis E, Sianos G, Theodoridis G, Gika H, (2021) Development and validation of a RPLC-MS/MS method for the quantification of ceramides in human serum. Journal of Chromatography B, 1175:122734. https://doi.org/10.1016/j.jchromb.2021.122734
• Sofidis G, Otountzidis N, Stalikas N, Karagiannidis E, Papazoglou S. A, Moysidis V. D, Panteris E, Deda O, Kartas A, Zegkos T, Daskalaki P, Theodoridou N, Stefanopoulos L, Karvounis, Gika H, Theodoridis G, Sianos G. (2021) Association of GRACE Risk Score with Coronary Artery Disease Complexity in Patients with Acute Coronary Syndrome. Journal of Clinical Medicine, 10(10):2210. https://doi.org/10.3390/jcm10102210 
• Karagiannidis E, Papazoglou AS, Stalikas N, Deda O, Panteris E, Begou O, Sofidis G, Moysidis DV, Kartas A, Chatzinikolaou E, Keklikoglou K, Bompoti A, Gika H, Theodoridis G, Sianos G (2021) Serum Ceramides as Prognostic Biomarkers of Large Thrombus Burden in Patients with STEMI: A Micro-Computed Tomography Study. Journal of Personalized Medicine, 11(2):89. https://doi.org/10.3390/jpm11020089
• Karagiannidis E, Sofidis G, Papazoglou AS, Deda O, Panteris E, Moysidis DV, Stalikas N, Kartas A, Papadopoulos A, Stefanopoulos L, Karvounis H, Gika H, Theodoridis G, Sianos G (2021) Correlation of the severity of coronary artery disease with patients’ metabolic profile- rationale, design and baseline patient characteristics of the CorLipid trial. BMC Cardiovascular Disorders, 21(1):79. https://doi.org/10.1186/s12872-021-01865-2