Opis projektu
Obliczeniowe biomarkery ryzyka zawału mięśnia sercowego
Zawał mięśnia sercowego jest główną przyczyną zgonów na całym świecie, ale obecne narzędzia do przewidywania ryzyka niedokrwienia i krwawienia po terapii mają ograniczoną precyzję. Finansowany przez Europejską Radę ds. Badań Naukowych projekt ORACLE ma na celu poprawę przewidywania ryzyka poprzez wykorzystanie wielowymiarowych danych z urządzeń do noszenia, biomarkerów i obrazowania nieinwazyjnego. Koncepcja opiera się na zidentyfikowaniu nowych obliczeniowych biomarkerów ryzyka dzięki wykorzystaniu sztucznej inteligencji do analizy danych z dużej kohorty pacjentów po zawale serca. Oczekuje się, że projekt wygeneruje klinicznie sterowane algorytmy sztucznej inteligencji i zintegruje je z praktyką, umożliwiając podejmowanie świadomych decyzji dotyczących leczenia.
Cel
Myocardial infarction (MI) is a leading cause of death worldwide. After MI, long-term antithrombotic therapy is crucial to prevent recurrent events, but increases bleeding, that also impacts morbidity and mortality. Giving these competing risks prediction tools to forecast ischemic and bleeding are of paramount importance to inform clinical decisions, but their current precision is limited. Improve events prediction, by discovering novel and innovative markers of risk would have a tremendous impact on therapeutic decisions and patients’ outcome. I hypothesize that using innovative multidimensional information from wearable devices, biomarkers, behavioral patterns and non-invasive imaging, integrated through artificial intelligence computation, we may discover novel “computational biomarkers” of risk and improve current standards of risk prediction. In this project, I will enroll a large cohort of MI patients, whereby prospective collection of consolidated and innovative potential risk predictors will take place, in order to generate a comprehensive and multidimensional dataset. I will collect data from state-of-the-art non-invasive imaging, blood biomarkers, wearable medical devices of continuous heart electrical activity, sweat, mobility and behavioral patterns to create a large physiological time series allowing patients’ deep phenotyping. We will therefore analyze data leveraging artificial intelligence computation to find relevant associations with clinical outcomes, and compare new algorithms with current risk prediction tools. This research will increase our knowledge on bleeding and ischemic risk factors, enabling enhanced capability predictions models. In the near future, we hypothesize that our clinically-guided Artificial Intelligence algorithm might be integrated in clinical practice, helping clinicians to inform treatment decisions, patients to better understand their risk profile, finally setting a common ground for shared patient/physician decisions.
Dziedzina nauki
Słowa kluczowe
Program(-y)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Temat(-y)
System finansowania
HORIZON-ERC - HORIZON ERC GrantsInstytucja przyjmująca
29590 MALAGA
Hiszpania