The Lifelong Impact of Artificial Intelligence and Clinical Prediction Models on Patients With Tetralogy of Fallot

Abstract

Medical advancements in the diagnosis, surgical techniques, perioperative care, and continued care throughout childhood have transformed the outlook for individuals with tetralogy of Fallot (TOF), improving survival and shifting the perspective towards lifelong care. However, with a growing population of survivors, longstanding challenges have been accentuated, and new challenges have surfaced, necessitating a re-evaluation of TOF care. Availability of prenatal diagnostics, insufficient information from traditional imaging techniques, previously unforeseen medical complications, and debates surrounding optimal timing and indications for reintervention are among the emerging issues. To address these challenges, the integration of artificial intelligence and machine learning holds great promise as they have the potential to revolutionize patient management and positively impact lifelong outcomes for individuals with TOF. Innovative applications of artificial intelligence and machine learning have spanned across multiple domains of TOF care, including screening and diagnosis, automated image processing and interpretation, clinical risk stratification, and planning and performing cardiac interventions. By embracing these advancements and incorporating them into routine clinical practice, personalized medicine could be delivered, leading to the best possible outcomes for patients. In this review, we provide an overview of these evolving applications and emphasize the challenges, limitations, and future potential for integrating them into clinical care.

Graphical abstract

Résumé

De grandes avancées médicales touchant le diagnostic de la tétralogie de Fallot (TF), les techniques chirurgicales, les soins périopératoires ainsi que les soins continus au cours de l’enfance ont transformé le pronostic de cette maladie et prolongé la survie des patients, d’où la nécessité d’adopter une approche thérapeutique à long terme. Compte tenu du nombre croissant de survivants, certains défis prennent une plus grande ampleur et de nouvelles difficultés s’y ajoutent. Il convient donc de réévaluer les soins pour les patients atteints de TF. L’accès limité au diagnostic prénatal, les informations fragmentaires obtenues avec les techniques d’imagerie traditionnelles, les complications médicales inattendues et les débats sur les indications et le moment approprié pour les interventions chirurgicales subséquentes sont de nouveaux enjeux. Pour y faire face, l’intégration des outils d’intelligence artificielle (IA) et d’apprentissage automatique (AA) est prometteuse et pourrait réinventer la prise en charge des patients atteints de TF en plus d’améliorer leurs résultats à long terme. L’utilisation innovante de l’IA et de l’AA touche de nombreux aspects des soins offerts à ces patients, par exemple le dépistage et le diagnostic, l’analyse et l’interprétation automatiques d’images, la stratification du risque clinique de même que la planification et la réalisation d’interventions cardiaques. L’adoption de ces avancées technologiques et leur intégration dans la pratique clinique courante ouvrent la voie à une approche de médecine personnalisée dans l’espoir d’obtenir les meilleurs résultats possibles pour les patients. Notre article de synthèse présente ces applications en pleine évolution et met en évidence leurs perspectives d’intégration aux soins cliniques, mais aussi les défis et les limites qui accompagnent cette approche.