Bu projenin amacı, ekokardiyogram kullanarak erken safhada HFpEF varlığını tespit etmek üzere anlamlandırılabilir makine öğrenmesi ve derin öğrenme algoritmaları geliştirmektir. Önerdiğimiz derin öğrenme yapısı, sadece ekokardiyogram verileriyle sınırlı kalmayıp hastanın yaş, cinsiyet, ağırlık, boy, hastalık geçmişi ve biyokimyasal belirteçler gibi ek bilgilerini de dahil ederek tespit işleminin otomatik, tekrarlanabilir ve kişiye özgü olmasını hedeflemektedir. Ek olarak, bu çalışma kapsamında, makine öğrenmesi yardımıyla henüz klinikte etkinliği kesin olmayan ve yerleşmemiş olan biyobelirteçlerin ülkemizdeki demografiye özgü karakteristikleri araştırılacak ve bu alandaki araştırmalara katkı sağlama potansiyeli olacaktır. Geliştirilen modellerin klinik validasyonunun yapılması ve prospektif analiz ile doğrulanması da planlar arasındadır.

Kardiyovasküler hastalık (KVH), Türkiye'de önde gelen ölüm nedenidir (TÜİK'e göre 2018'de toplam ölümlerin %38’i dolaşım sistemi hastalıları). 2012 yılında dünyadaki 197 ülke için erken ölüm, verimlilik kaybı, hastane tedavisi ve KVH ile ilgili reçetelerin maliyetinin 182 milyar dolar olduğu tahmin ediliyor. Türkiye'de hasta başına tek başına kesin sağlık maliyeti araştırılmaktadır, ancak Türk Kardiyoloji Derneği'ne göre hasta başına 5000 Türk Lirası olduğu tahmin edilmektedir. Tanı için mevcut altın standart, koroner stenoz ve fraksiyonel akış rezervi (FFR) gibi parametreleri ölçmek için koroner anjiyogramlar elde etmek için kardiyak kateterizasyona dayanmaktadır. Bu oldukça invaziv ve maliyetli prosedürün yerini alması planan görüntüleme sistemleri (kardiyak MR, kardiyak BT, kardiyak ultrason) gelişmekte olan ve 3.dünya ülkelerinde kısıtlı erişimle kullanılmaktadır. Ayrıca MR ve BT görüntüleme halihazırda yüksek maliyetli çözümler olarak ön plana çıkmaktadır. Bu noktada EKG verileri hızlı ulaşılabilen, yaygın kullanabilen ve düşük maliyetli hastalık tespiti için ön plana çıkmaktadır. Ancak halihazırda klinisyenlerin tecrübesine bağlı tekrarlanabilirlikten uzak analiz yöntemleri otomatik hastalık tespitini zorlaştırmaktadır. Akut koroner oklüzyonlu miyokard enfarktüsü (OME) durumunun erken teşhisi için EKG verilerinden yararlanılırken halihazırdaki kılavuzlar klinisyenler tarafından vaka bazlı olarak olarak kullanılmaktadır. EKG sinyalinin analizini içeren bu analiz PQRST dalgalarının analizinin yapılması bazında çalışır. Segment Yükselmeli Miyokard Enfarktüsü (STYME-ST) veya Segment Yükselmesiz Miyokard Enfarktüsü (STYzME-ST) ilk tespiti ve teşhisi kesinlikle 12 derivasyonlu bir EKG verisine dayanır. STEMI ve STEMI dışı kalp rahatsızlığı, önceden tespit edilirse önlenebilecek kalp krizine neden olabilir. Gecikme veya yanlış teşhise, subjektif yorumlar sebebiyle rastlamak mümkündür. Bu projenin amacı 12 uçlu elektrokardiyogram (EKG) ile akut koroner oklüzyonlu miyokard enfarktüsü tespit etmek için anlamdırabilir otomatik bir derin öğrenme algoritması geliştirmektir. Önerilen derin öğrenme yapısı sadece EKG verilerini kullanmakla kalmayıp hastaya ait yaş, cinsiyet, ağırlık, boy, hastalık geçmişi ve biyokimyasal belirteçler gibi ek verileri kullanarak erken STEMI prensiplerinden yararlanarak hızlı, otomatik ve tekrarlanabilir hastalık yapmayı hedeflemektedir. Önerilen yöntem modüler yapısı ile hem sadece EKG verisinin olduğu durumlarda hem de ekstra verilerin olduğu durumlarda çalışabilecek esnek bir model yapısına sahip olacaktır. Model yalın OME tespitinin yanı sıra 60 saniyeden kısa bir sürede bu kararın alınmasında en etkili olan EKG verisi bölgesinin ve/veya ek verilerin bilgisini de vermeyi hedeflemektedir. Oluşturulacak modelin klinik validasyonu yapılarak prospektif analiz yardımıyla doğrulamasının yapılması hedeflenmektedir.

Proje ile ilgili açıklama girilmemiştir.

The vision for our research programme is to pave the way for a fundamentally different approach in which cardiovascular diseases (CVD) are diagnosed, monitored and treated: We propose to develop a diagnosis-driven "smart Magnetic Resonance (MR) scanner" that it is no longer a mere imaging device but instead becomes a highly sophisticated diagnostic tool. The output of a patient scan with the proposed smart MR scanner will not be just an image, but instead a comprehensive diagnostic assessment and interpretation of the patient's cardiovascular health/disease, enabling optimal treatment decisions for best patient outcome. The current approach to cardiovascular MR imaging (cMRI) is essentially serial: image acquisition is followed by image analysis and clinical interpretation. In addition, cardiac/respiratory motion is currently resulting in long scanning times for cMRI, with only a small fraction of the data (10-20%) being used for image reconstruction. This leads to breath-holds that are difficult to tolerate by sick patients. Furthermore, the characterization of clinically relevant tissue parameters requires the acquisition of multiple images which is inefficient. The absolute quantification of tissue parameters also remains a major technical challenge, leading to difficulties in interpreting tissue contrast parameters across scanners, clinical centres and patient populations. Finally, the objective interpretation of comprehensive, multi-parametric cMRI in the context of other complex non-imaging data is highly challenging for clinicians. We propose a transformative approach in which acquisition, analysis and interpretation are tightly coupled, with feedback between the different stages in order to optimize the overall objective: Extracting clinically useful information. Developing such an integrated approach to cardiac imaging will enable rapid, continuous and comprehensive imaging that is both simpler and more efficient than current practice, eliminating "dead time" between separate specialized acquisitions and allowing extraction of multiple dynamic as well as tissue contrast parameters simultaneously.

The major goal of this project is to improve the reliability of myocardial BOLD MRI for accurate quantification of ischemic heart disease without intravenous pharmacological stress or exogenous contrast media.