Estimación de la tensión longitudinal segmentaria en la ecocardiografía transesofágica mediante el aprendizaje...

Área de la Ciencia:

• Cardiología
• Imágenes médicas
• Inteligencia artificial

Sus antecedentes:

• La tensión longitudinal segmentaria del ventrículo izquierdo (SLS) es vital para evaluar la disfunción regional, especialmente en la isquemia miocárdica.
• Los métodos actuales de estimación de SLS en la ecocardiografía transesofágica (TEE) son manuales, ineficientes y requieren muchos recursos.
• Se necesita una evaluación automatizada y eficiente del SLS para mejorar el monitoreo cardíaco.

Objetivo del estudio:

• Introducir autoStrain, la primera línea de aprendizaje profundo automatizado para la estimación de SLS en TEE.
• Para comparar el rendimiento de dos modelos de estimación de movimiento de aprendizaje profundo, TeeFlow y TeeTracker, para el análisis SLS.
• Validar la precisión y la aplicabilidad clínica de la línea de conducción de autoStrain utilizando datos sintéticos y reales de pacientes.

Principales métodos:

• Desarrolló autoStrain, una tubería automatizada que utiliza el aprendizaje profundo para la estimación de SLS en TEE.
• Utilizó dos modelos de aprendizaje profundo: TeeFlow (basado en RAFT) y TeeTracker (basado en CoTracker) para la estimación del movimiento.
• Se utilizó un conjunto de datos sintéticos de TEE (synTEE) generado por SIMUS para capacitación y evaluación, complementado con validación clínica en 16 pacientes.

Principales resultados:

• TeeTracker logró una mayor precisión en la estimación del movimiento (0,65 ± 0,20 mm de error) en comparación con TeeFlow en el conjunto de datos de prueba synTEE.
• La línea de pruebas de autoStrain demostró un buen acuerdo clínico para la estimación del SLS (diferencia media del 1, 09%).
• La isquemia simulada en los datos de SynTEE mejoró la precisión del modelo en la cuantificación de la deformación anormal.

Conclusiones:

• La tubería autoStrain, en particular con TeeTracker, ofrece un método preciso y eficiente para la estimación automatizada de SLS en TEE.
• La estimación del movimiento impulsada por IA en TEE mejora significativamente la precisión y la eficiencia de la evaluación de la función cardíaca.
• Este enfoque es prometedor para mejorar el diagnóstico y el tratamiento de enfermedades como la isquemia miocárdica.