Concurrent Progression of Aortic Stenosis and Cardiac Hypertrophy: Novel Insight by Automated Deep Learning Methods

Abstract

Bakgrunn: Aortastenose (AS) er den vanligste klaffesykdommen i den industrialiserte del av verden, og en ledende årsak til klafferelatert sykelighet og dødelighet. En viktig konsekvens av AS er remodellering av hjertemuskulaturen, med mulig videre utvikling av venstre ventrikkelhypertrofi (LVH). Selv om remodelleringen i utgangspunktet kompenserer for økt afterload, kan den på sikt føre til angina, iskemi og hjertesvikt. Tidlig diagnostikk og intervensjon er derfor avgjørende for pasienter med AS og LVH. Ekkokardiografi er gullstandarden for diagnostisering og vurdering av både AS og LVH, men tradisjonelle manuelle metoder er tid- og ressurskrevende. Nylig utviklede metoder basert på kunstig intelligens og dyp læring (DL) muliggjør helautomatiske målinger av venstre ventrikkels veggtykkelser i ekkokardiografisk parasternal langakse-projeksjon (PLAX). Dette åpner for nye analyser av sammenhengen mellom endringer i AS-grad og venstre ventrikkels veggtykkelser.

Metode: Sammenhengen ble undersøkt ved en retrospektiv kohortstudie. Vi inkluderte pasienter som hadde blitt fulgt opp for AS med ekkokardiografi ved St. Olavs hospital fra 2017 til 2021, med minst to tilgjengelige undersøkelser. AS-grad ble klassifisert som mild, moderat eller alvorlig, basert på topphastighet og gjennomsnittsgradient over aortaklaffen fra manuelle målinger. Veggtykkelser, inkludert intraventrikulær septumdiameter (IVSd) og diameteren av venstre ventrikkels bakrevegg (LVPWd), ble målt ved hjelp av en DL-basert automatisert metode. Lineære blandede modeller ble brukt for å undersøke forholdet mellom endringer i AS-grad og venstre ventrikkels veggtykkelser.

Resultater: Studien inkludert 95 pasienter med en medianalder på 76 år. Det endelige datasettet besto av 760 IVSd- og 765 LVPWd-målinger. De automatiserte målingene var konsekvent noe lavere enn de manuelle målingene, -2,3 mm og -1,8 mm for henholdsvis IVSd og LVPWd. Kvalitetskontroll viste en høy gjennomførbarhet på 96% for automatiserte målinger av både IVSd og LVPWd. Vi fant ingen signifikant sammenheng mellom endringer i AS-grad og IVSd.

Konklusjon: Studien viste ingen klar sammenheng mellom progresjon av AS-grad og automatiserte målinger for IVSd. DL-metoden hadde høy gjennomførbarhet. Den manuelle kvalitetskontroll-prosessen identifiserte de vanligste systematiske feil i segmentering av PLAX-bildene og måleprestasjoner, og er viktig for videre teknisk utvikling av metoden. På sikt kan disse resultatene bidra til å fremme automatisering av ressurskrevende prosesser både i klinisk ekkokardiografi og forskning.

Background: Aortic stenosis (AS) is the most prevalent valvular heart disease in developed countries, and a leading cause of valve-related morbidity and mortality. A common consequence of AS is remodelling of the cardiac muscle, potentially leading to left ventricular hypertrophy (LVH). While initially compensatory for the afterload increase, the remodelling may eventually result in angina, ischemia and left ventricular (LV) heart failure. Timely diagnosis and intervention are crucial for patients with AS and LVH. Echocardiography, the gold standard for diagnosing and assessing both AS and LVH, is however time consuming and resource demanding with manual methods. A novel deep learning (DL)-based method for the echocardiographic parasternal long axis (PLAX) view enables fully automated measurements of LV wall thickness, facilitating further analysis of the relationship between changes in AS severity and LV wall thickness.

Methods: This retrospective cohort study included patients monitored for AS with echocardiography at St. Olavs University hospital from 2017 to 2021, with at least two echocardiographic assessments. AS severity was classified as mild, moderate or severe, based on peak aortic valve velocity and mean transaortic gradient from manual measurements. Intraventricular septum diameter (IVSd) and left ventricular posterior wall diameter (LVPWd) were measured using a DL-based automated method. Linear mixed models were used to analyse the relationship between changes in AS severity and wall thickness.

Results: A total of 95 patients were included, with a median age of 76 years. The final dataset comprised 760 IVSd and 765 LVPWd measurements. The automated measurements were consistently somewhat lower than the manual measurements, -2.3 and -1.8 mm for IVSd and LVPWd respectively. Quality control revealed high feasibility rates of 96% for both IVSd and LVPWd automated measurements. No clear relationship was found between changes in AS severity and IVSd.

Conclusion: The study demonstrated no clear relationship between the progression of AS severity and automated measures of IVSd. The DL-based method proved high feasibility. The manual quality assurance process identified the most common systematic errors in segmentation and measurement performance of the DL-based PLAX method, providing valuable insights for its further technical development. In long term, these results could contribute advancing the automation of resource demanding processes in clinical echocardiography and research.