ENG: Acute chest pain syndrome may consist of tightness, burning or other discomfort in the chest or a severe pain that spreads to your back, neck, shoulders, arms or jaw. It may be accompanied by shortness of breath. Acute chest pain syndrome accounts for over 7 million emergency department visits annually in the U.S., making it one of the most common complaints. Fewer than 8% of these patients are diagnosed with the three major cardiovascular causes of acute chest pain syndrome, which are acute coronary syndrome, pulmonary embolism or aortic dissection. However, the life-threatening nature of these conditions and low specificity of clinical tests lead to substantial use of cardiovascular and pulmonary diagnostic imaging, often yielding negative results.

As emergency departments struggle with high patient numbers and shortage of hospital beds, effectively triaging patients at very low risk of these serious conditions is important. Deep learning can be trained to search X-ray images to find patterns associated with disease. For the study, Dr. Kolossváry and colleagues developed an open-source deep-learning model to identify patients with acute chest pain syndrome who were at risk for 30-day acute coronary syndrome, pulmonary embolism, aortic dissection or all-cause mortality, based on a chest X-ray.

The study used electronic health records of patients presenting with acute chest pain syndrome who had a chest X-ray and additional cardiovascular or pulmonary imaging and/or stress tests at Massachusetts General Hospital (MGH) or Brigham and Women’s Hospital in Boston between January 2005 and December 2015. For the study, 5,750 patients (mean age 59, including 3,329 men) were evaluated. The deep-learning model was trained on 23,005 patients from MGH to predict a 30-day composite endpoint of acute coronary syndrome, pulmonary embolism or aortic dissection and all-cause mortality based on chest X-ray images. The deep-learning tool significantly improved prediction of these adverse outcomes beyond age, sex and conventional clinical markers, such as d-dimer blood tests. The model maintained its diagnostic accuracy across age, sex, ethnicity and race. Using a 99% sensitivity threshold, the model was able to defer additional testing in 14% of patients as compared to 2% when using a model only incorporating age, sex, and biomarker data.

RO: Sindromul durerii toracice acute poate consta într-o senzație de apăsare, arsură sau alt disconfort în piept sau o durere severă care se răspândește în spate, gât, umeri, brațe sau maxilar. Poate fi însoțită de dificultăți de respirație. Sindromul durerii toracice acute reprezintă peste 7 milioane de vizite la departamentul de urgență anual în SUA, ceea ce îl face una dintre cele mai frecvente afecțiuni. Mai puțin de 8% dintre acești pacienți sunt diagnosticați cu cele trei cauze cardiovasculare majore ale sindromului durerii toracice acute, care sunt sindromul coronarian acut, embolia pulmonară sau disecția aortică. Cu toate acestea, natura amenințătoare de viață a acestor afecțiuni și specificitatea scăzută a testelor clinice conduc la o utilizare substanțială a imagisticii de diagnostic cardiovascular și pulmonar, care deseori dă rezultate negative.

În condițiile în care departamentele de urgență se luptă cu un număr mare de pacienți și cu lipsa paturilor de spital, este important să se realizeze un triaj eficient a pacienților cu risc foarte scăzut de a suferi de aceste afecțiuni grave. Învățarea profundă poate fi antrenată pentru a căuta în imaginile cu raze X tipare asociate cu boli. Pentru studiu, Dr. Kolossváry și colegii săi au dezvoltat un model de învățare profundă open-source pentru a identifica pacienții cu sindrom de durere toracică acută care prezentau un risc de sindrom coronarian acut la 30 de zile, embolie pulmonară, disecție aortică sau mortalitate, pe baza unei radiografii toracice.

Studiul a utilizat dosarele electronice de sănătate ale pacienților care s-au prezentat cu sindrom de durere toracică acută și care au fost supuși unei radiografii toracice și unor teste suplimentare de imagistică cardiovasculară sau pulmonară și teste de efort la Massachusetts General Hospital (MGH) sau la Brigham and Women’s Hospital din Boston între ianuarie 2005 și decembrie 2015. Pentru studiu, au fost evaluați 5.750 de pacienți (vârsta medie de 59 de ani, inclusiv 3.329 de bărbați). Modelul de învățare profundă a fost antrenat pe 23.005 pacienți de la MGH pentru a prezice un criteriu de evaluare compozit la 30 de zile de sindrom coronarian acut, embolie pulmonară sau disecție aortică și mortalitate din toate cauzele, pe baza imaginilor cu raze X toracice. Instrumentul de învățare în profunzime a îmbunătățit semnificativ predicția acestor rezultate adverse dincolo de vârstă, sex și markerii clinici convenționali, cum ar fi testele de sânge d-dimer. Modelul și-a menținut acuratețea de diagnosticare indiferent de vârstă, sex, etnie și rasă. Utilizând un prag de sensibilitate de 99%, modelul a reușit să amâne efectuarea de teste suplimentare la 14% dintre pacienți, comparativ cu 2% atunci când s-a utilizat un model care încorpora doar date privind vârsta, sexul și biomarkerii.

Source (RSNA, “Deep-learning tool significantly improved prediction of adverse outcomes”, 17.01.2023)

Papers: Kolossváry, M., Raghu, V.K., Nagurney, J.T., Hoffmann, U. and Lu, M.T., 2023. Deep learning analysis of chest radiographs to triage patients with acute chest pain syndrome. Radiology, p.221926.

Goo, J.M., 2023. Triaging: Another Vital Application of the Deep Learning Technique on Chest Radiographs at the Emergency Department. Radiology, p.223112.