Tetralogia fallota
Rokowania, prognozy i postęp choroby

Tetralogia Fallota (ToF) to wrodzona wada serca obejmująca zwężenie drogi odpływu prawej komory, ubytek przegrody międzykomorowej, przerost prawej komory oraz przemieszczenie aorty. Ocena rokowania po korekcji chirurgicznej (rTOF) jest wyzwaniem klinicznym, jednak zastosowanie rezonansu magnetycznego serca (CMR) wraz z algorytmami uczenia maszynowego (ML) i głębokiego uczenia (DL) umożliwia precyzyjniejsze prognozowanie. W badaniu z 10-letnim okresem obserwacji, u 23 pacjentów odnotowano zdarzenia końcowe takie jak śmierć, zatrzymanie krążenia czy częstoskurcz komorowy. Parametry prognostyczne uzyskane dzięki DL, takie jak średnia powierzchnia prawego przedsionka (HR 1,11/cm, p=0,003) oraz odkształcenie prawej komory w osi długiej (HR 0,80/%, p=0,009), wykazały istotne znaczenie rokownicze. Złożony wskaźnik łączący powiększenie prawego przedsionka i obniżoną funkcję podłużną prawej komory pozwolił zidentyfikować pacjentów z podwyższonym ryzykiem (HR 2,1/jednostkę, p=0,007).

  1. Prognozy w Tetralogii Fallota
    1. Rezonans magnetyczny i uczenie maszynowe w ocenie rokowania
    2. Parametry prognostyczne w głębokim uczeniu
    3. Złożony wskaźnik ryzyka
    4. Porównanie uczenia maszynowego z oceną ekspertów klinicznych
  2. Implikacje kliniczne zastosowania uczenia maszynowego w rokowaniu
    1. Przyszłość prognozowania w Tetralogii Fallota
    2. Kolejne rozdziały

Prognozy w Tetralogii Fallota

Tetralogia Fallota (ToF) jest wrodzoną wadą serca charakteryzującą się czterema głównymi anomaliami anatomicznymi: zwężeniem drogi odpływu prawej komory, ubytkiem przegrody międzykomorowej, nadmiernie rozwiniętą prawą komorą (przerost) i przemieszczeniem aorty nad ubytek przegrody międzykomorowej. Ocena rokowania u pacjentów po korekcji chirurgicznej tej wady (rTOF) stanowi istotne wyzwanie dla klinicystów. W ostatnich latach coraz większe znaczenie w prognozowaniu odległych wyników leczenia zyskują techniki oparte na uczeniu maszynowym i głębokim uczeniu.12

Rezonans magnetyczny i uczenie maszynowe w ocenie rokowania

Badanie rezonansu magnetycznego serca (CMR) w połączeniu z algorytmami uczenia maszynowego (ML) i głębokiego uczenia (DL) stanowi obiecujące narzędzie w przewidywaniu rokowania u pacjentów z korygowaną Tetralogią Fallota. W badaniach z wykorzystaniem tych technik, podczas średniego okresu obserwacji wynoszącego 10 lat, u 23 pacjentów zaobserwowano punkty końcowe w postaci śmierci, zatrzymania krążenia lub udokumentowanego częstoskurczu komorowego (definiowanego jako 3 udokumentowane kolejne pobudzenia komorowe).12

Parametry prognostyczne w głębokim uczeniu

Analizy jednowymiarowe Coxa wykazały, że różne parametry uzyskane dzięki technikom głębokiego uczenia mają istotne znaczenie prognostyczne, w tym:

  • Średnia powierzchnia prawego przedsionka (HR 1,11/cm, p=0,003) – zwiększona powierzchnia wiąże się z gorszym rokowaniem12
  • Odkształcenie (strain) prawej komory w osi długiej (HR 0,80/%, p=0,009) – obniżona wartość tego parametru wskazuje na większe ryzyko niekorzystnych zdarzeń12

Złożony wskaźnik ryzyka

Szczególnie istotne jest opracowanie złożonego wskaźnika obejmującego powiększony obszar prawego przedsionka i obniżoną funkcję podłużną prawej komory. Taki wskaźnik pozwolił zidentyfikować podgrupę pacjentów z Tetralogią Fallota, u których występuje znacząco zwiększone ryzyko niekorzystnego przebiegu choroby (HR 2,1/jednostkę, p=0,007). To potwierdza wartość kliniczną algorytmów uczenia maszynowego w stratyfikacji ryzyka pacjentów z tą wadą serca.1

Porównanie uczenia maszynowego z oceną ekspertów klinicznych

Uczenie maszynowe umożliwia przewidywanie poważnych niekorzystnych zdarzeń sercowo-naczyniowych (MACE) u pacjentów po korekcji Tetralogii Fallota. Badania wykazały, że przewidywanie 5-letniego ryzyka MACE można osiągnąć zarówno przy użyciu algorytmów ML, jak i poprzez ocenę wielodyscyplinarnego zespołu ekspertów w dziedzinie wrodzonych wad serca u dorosłych (ACHD).3

Co istotne, przewidywanie ryzyka przez niektórych klinicystów ulegało poprawie dzięki włączeniu wyników uzyskanych metodami uczenia maszynowego. Sugeruje to, że ML może mieć dodatkową wartość w określonych okolicznościach i stanowić uzupełnienie tradycyjnej oceny klinicznej.3

Implikacje kliniczne zastosowania uczenia maszynowego w rokowaniu

Wykorzystanie algorytmów uczenia maszynowego trenowanych na zewnętrznych zbiorach danych obrazowych do automatycznej oceny rokowania u pacjentów z Tetralogią Fallota ma istotne implikacje kliniczne. Techniki te mogą pomóc w identyfikacji pacjentów wymagających bardziej intensywnego monitorowania lub wcześniejszej interwencji terapeutycznej.12

Dzięki integracji parametrów uzyskanych z rezonansu magnetycznego serca i algorytmów głębokiego uczenia możliwe jest stworzenie bardziej precyzyjnych modeli prognostycznych, które uzupełniają tradycyjne metody oceny klinicznej. Jest to szczególnie istotne w przypadku pacjentów z tak złożoną wadą wrodzoną serca jak Tetralogia Fallota, gdzie długoterminowe rokowanie może być trudne do przewidzenia przy użyciu wyłącznie konwencjonalnych metod.123

Przyszłość prognozowania w Tetralogii Fallota

Postęp w dziedzinie uczenia maszynowego i jego zastosowania w kardiologii dziecięcej i dorosłych z wrodzonymi wadami serca stwarza nowe możliwości dla spersonalizowanej medycyny. W przyszłości można oczekiwać dalszego rozwoju tych technik i ich szerszej implementacji w codziennej praktyce klinicznej, co przyczyni się do poprawy opieki nad pacjentami z Tetralogią Fallota. Obiecujące wyniki badań wskazują na potencjał tych metod w tworzeniu dokładniejszych modeli prognostycznych, które mogą pomóc w optymalizacji strategii leczenia i poprawie długoterminowych wyników.123

Kolejne rozdziały

Zapraszamy do dalszego czytania naszego leksykonu.

Wybierz kolejny rozdział z menu poniżej, aby otworzyć nową podstronę kompedium wiedzy i uzyskać szczegółowe informację o leku, substancji lub chorobie.

  1. 11.04.2026
  2. www.leksykon.com.pl

Materiały źródłowe

  • #1 Prediction of prognosis in patients with tetralogy of Fallot based on deep learning imaging analysis – PubMed
    https://pubmed.ncbi.nlm.nih.gov/32161041/
    Objective: To assess the utility of machine learning algorithms for automatically estimating prognosis in patients with repaired tetralogy of Fallot (ToF) using cardiac magnetic resonance (CMR). […] Over a median follow-up period of 10 years, 23 patients experienced an endpoint of death/aborted cardiac arrest or documented ventricular tachycardia (defined as 3 documented consecutive ventricular beats). On univariate Cox analysis, various DL parameters, including right atrial median area (HR 1.11/cm, p=0.003) and right ventricular long-axis strain (HR 0.80/%, p=0.009) emerged as significant predictors of outcome. […] A composite score of enlarged right atrial area and depressed right ventricular longitudinal function identified a ToF subgroup at significantly increased risk of adverse outcome (HR 2.1/unit, p=0.007). […] We present data on the utility of machine learning algorithms trained on external imaging datasets to automatically estimate prognosis in patients with ToF.
  • #2 Prediction of prognosis in patients with tetralogy of Fallot based on deep learning imaging analysis | Heart
    https://heart.bmj.com/content/106/13/1007
    Objective To assess the utility of machine learning algorithms for automatically estimating prognosis in patients with repaired tetralogy of Fallot (ToF) using cardiac magnetic resonance (CMR). […] Over a median follow-up period of 10 years, 23 patients experienced an endpoint of death/aborted cardiac arrest or documented ventricular tachycardia (defined as 3 documented consecutive ventricular beats). On univariate Cox analysis, various DL parameters, including right atrial median area (HR 1.11/cm, p=0.003) and right ventricular long-axis strain (HR 0.80/%, p=0.009) emerged as significant predictors of outcome. […] We present data on the utility of machine learning algorithms trained on external imaging datasets to automatically estimate prognosis in patients with ToF.
  • #3 Incremental value of machine learning for risk prediction in tetralogy of Fallot – PubMed
    https://pubmed.ncbi.nlm.nih.gov/38040450/
    Objective: Machine learning (ML) can facilitate prediction of major adverse cardiovascular events (MACEs) in repaired tetralogy of Fallot (rTOF). We sought to determine the incremental value of ML above expert clinical judgement for risk prediction in rTOF. […] Robust prediction of 5-year MACE in rTOF was achieved using either ML or a multidisciplinary team of ACHD experts. Risk prediction of some clinicians was enhanced by incorporation of ML suggesting that there may be incremental value for ML in select circumstances.

Zobacz więcej

częstoskurcz komorowy tetralogia Fallota ubytek przegrody międzykomorowej model prognostyczny zdarzenie sercowo-naczyniowe kardiologia dziecięca algorytm uczenia maszynowego ocena kliniczna interwencja terapeutyczna przerost prawej komory zatrzymanie krążenia stratyfikacja ryzyka zwężenie drogi odpływu prawej komory głębokie uczenie monitorowanie hemodynamiczne medycyna spersonalizowana wrodzona wada serca prawy przedsionek rezonans magnetyczny serca korekcja chirurgiczna