ΕΓΓΡΑΦΗ ΣΤΟ NEWSLETTER
ΕΓΓΡΑΦΗ ΣΤΟ MY ANALYSI
25-years-logo
espa_logo

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 ΑΝΑΛYΣΗ ΙΑΤΡΙΚΗ Α.Ε στο πλαίσιο της μελέτης CorLipid (NCT04580173), μαζί με το Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης και την Α΄ Καρδιολογική Πανεπιστημιακή Κλινική του Γενικού Πανεπιστημιακού Νοσοκομείου ΑΧΕΠΑ οδήγησε σε ένα προηγμένο διαγνωστικό πλαίσιο (diagnostic framework), που βασίζεται στο συνδυασμό στοχευμένων μεταβολομικών (ΑΝΑΦΟΡΕΣ ΕΔΩ 2-8) εργαστηριακών εξετάσεων και ανάλυση των εργαστηριακών και ιατρικών δεδομένων με σύγχρονες και αποδοτικές/εξελιγμένες τεχνικές Μηχανικής Μάθησης (Machine Learning), αναπτυγμένες και προσαρμοσμένες/βελτιστοποιημένες αποκλειστικά για τη συγκεκριμένη εφαρμογή. Το έργο υλοποιήθηκε στο πλαίσιο της Δράσης ΕΡΕΥΝΩ – ΔΗΜΙΟΥΡΓΩ – ΚΑΙΝΟΤΟΜΩ που συγχρηματοδοτήθηκε από το Ευρωπαϊκό Ταμείο Περιφερειακής Ανάπτυξης (ΕΤΠΑ) και εθνικούς πόρους και αποτελεί σύμπραξη πανεπιστημιακών φορέων  με επιχειρήσεις.

Υλοποιήθηκε στο πλαίσιο της Δράσης ΕΡΕΥΝΩ – ΔΗΜΙΟΥΡΓΩ – ΚΑΙΝΟΤΟΜΩ και συγχρηματοδοτήθηκε από το Ευρωπαϊκό Ταμείο Περιφερειακής Ανάπτυξης (ΕΤΠΑ) της Ευρωπαϊκής Ένωσης και εθνικούς πόρους μέσω του Ε.Π. Ανταγωνιστικότητα, Επιχειρηματικότητα & Καινοτομία (ΕΠΑνΕΚ) (κωδικός έργου: T1ΕΔΚ-04005)
Έρευνα CorLipid Περιγραφικό γράφημα

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  παρακάτω άρθρο με περισσότερες λεπτομεριες [1].   

H παρούσα μελέτη περιελάμβανε το μεγαλύτερο σύνολο δεδομένων μεταβολομικής, που χρησιμοποιήθηκε για την ανάπτυξη προγνωστικού αλγορίθμου με τη χρήση ML για την παρουσία Στεφανιαίας Νόσου, όπως αξιολογήθηκε μέσω του SYNTAX Score, παγκοσμίως έως σήμερα.

Το μοντέλο που δημιουργήθηκε 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.

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

Εν συντομία, πλήθος μεμονωμένων προβλεπτικών μοντέλων δέντρων απόφασης (decision trees) αναπτύσσονται παράλληλα και συνδυάζονται αποτελεσματικά (boosting ensemble learning technique), προσφέροντας άμεσα υψηλότατη ακρίβεια πρόγνωσης/διάγνωσης [ενδεικτικά σχήματα από paper] στην ανάπτυξη ένος αλγόριθμου πρόβλεψης κινδύνου (boosted ensemble algorithm) συνδυάζοντας κλινικά χαρακτηριστικά με καθιερωμένους και νέους βιοδείκτες για τον εντοπισμό ασθενών υψηλού κινδύνου για σύνθετη στεφανιαία νόσο.

Έτσι, ένα μοντέλο Μηχανικής Μάθησης που ενσωματώνει κλινικά χαρακτηριστικά επιπλέον ορισμένων μεταβολικών χαρακτηριστικών μπορεί να εκτιμήσει την πιθανότητα προ της εξέτασης αποφρακτικής στεφανιαίας νόσου.

Η «ανάλυση» χρησιμοποίει ένα βελτιωμένο και αυτοματοποιημένο διαγνωστικό πλαίσιο βασισμένο στον αρχικό διαγνωστικό αλγόριθμο της μελέτης (https://www.mdpi.com/2218-1989/12/9/816) προσφέροντας την δυνατότητα εντοπισμού πιθανού υπόβαθρου Στεφανιαίας Νόσου, ανεξαρτήτως σταδίου. Ως εκ τούτου, η εξέταση μπορεί να χρησιμοποιηθεί για προσυμπτωματικό έλεγχο (screening) συνδυαστικά ή και πριν μιας Ψηφιακής Στεφανιογραφίας ή Επεμβατικής Στεφανιογραφίας, σε ποσοστό άνω του 70%.

Σχετική Βιβλιογραφία

1.         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 O1*, Panteris E1*, 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

Υλοποιήθηκε στο πλαίσιο της Δράσης ΕΡΕΥΝΩ – ΔΗΜΙΟΥΡΓΩ – ΚΑΙΝΟΤΟΜΩ και συγχρηματοδοτήθηκε από το Ευρωπαϊκό Ταμείο Περιφερειακής Ανάπτυξης (ΕΤΠΑ) της Ευρωπαϊκής Ένωσης και εθνικούς πόρους μέσω του Ε.Π. Ανταγωνιστικότητα, Επιχειρηματικότητα & Καινοτομία (ΕΠΑνΕΚ) (κωδικός έργου: T1ΕΔΚ-04005)
circles2