Úvod: Analýza tělesného složení pomocí ct vyšetření se v současnosti ukazuje jako významný prognostický nástroj u pacientů s indikací k transkatétrové implantaci aortální chlopně (tAVi). Její rutinní využití v klinické praxi je však limitováno složitostí dostupného softwaru a vysokými technickými nároky. naším cílem bylo vyvinout a validovat webovou aplikaci, která by zjednodušila používání existujícího softwaru AutoMAticA při hodnocení tělesného složení v rámci předintervenčního vyšetření před tAVi. Metody: Vyvinuli jsme webové rozhraní integrující již validovaný software AutoMAticA, který využívá umělou inteligenci pro automatickou segmentaci tkání. Systém analyzuje předintervenční ct snímky a auto- maticky vypočítává index kosterního svalstva, objem viscerálního a podkožního tuku. Aplikace zpracovává soubory DicoM a generuje přehledné reporty včetně segmentovaných snímků a kvantitativních parametrů. Výsledky: testování systému prokázalo průměrnou dobu analýzy 21 sekund od nahrání snímků po zobrazení výsledků. uživatelské hodnocení pěti klinickými lékaři potvrdilo jednoduchost použití a klinickou využitel- nost. Analýza ilustrativních případů odhalila významné rozdíly mezi hodnocením pomocí BMi a ct analýzou tělesného složení, například u případů sarkopenické obezity nebo zachované svalové hmoty, které by při použití samotného BMi zůstaly neodhaleny. Závěr: Vyvinuté uživatelské rozhraní představuje praktické řešení pro hodnocení tělesného složení u pacientů před tAVi. Systém efektivně překlenuje mezeru mezi pokročilými analytickými možnostmi validovaného softwaru AutoMAticA a klinickou praxí díky intuitivnímu uživatelskému rozhraní. toto řešení by mělo v budoucnu umožnit přesnější stratifikaci rizika a individualizovanější přístup k pacientům s indikací k TAVI.
Background: CT-derived body composition analysis has emerged as a powerful prognostic tool for TAVI patient outcomes. However, widespread clinical implementation remains limited by complex software requirements and technical expertise barriers. This study aims to develop and validate an accessible web-based interface that streamlines the implementation of existing AutoMATiCA's validated CT-based body composition assessment in the pre-TAVI evaluation workflow. Methods: We developed a web-based interface integrating the validated AutoMATiCA's AI-driven segmentation software for automated body composition assessment. The system analyses pre-procedural CT scans to quantify Skeletal Muscle Index, Visceral Adipose Tissue, and Subcutaneous Adipose Tissue. The interface accepts DICOM files and patient data, generating comprehensive reports including segmented images and measurements. Results: System evaluation demonstrated an average analysis time of 21 seconds from upload to results display. User experience assessment with five clinicians showed unanimous positive feedback regarding acces- sibility and utility. Technical validation confirmed accurate tissue segmentation and quantification capabilities. Analysis of illustrative cases demonstrated significant discrepancies between BMI-based assessment and CT-derived body composition analysis, revealing conditions such as sarcopenic obesity and preserved muscle mass that would be missed by BMI evaluation alone. Conclusion: This technical solution provides an accessible, integrated approach to body composition assessment in TAVI patients. Building upon the validated AutoMATiCA software, the system successfully bridges the gap between complex analysis capabilities and clinical practicality through an intuitive user interface. This solution should enable more precise risk stratification and a more individualized approach to patients indicated for TAVI in the future.
Transcatheter Aortic Valve Implantation (TAVI) has revolutionized severe aortic stenosis treatment, but risk stratification remains challenging. This systematic review examined the association between computed tomography (CT)-derived adipose tissue parameters and TAVI outcomes. We searched major databases for studies on visceral (VAT), subcutaneous (SAT), and intramuscular (IMAT) adipose tissue parameters and post-TAVI outcomes. Fourteen studies (9692 patients) were included. Higher SAT area/volume was consistently associated with better survival (5 studies, HR range: 0.83-2.77, p < 0.05). Lower SAT and VAT density also correlated with better survival (5 and 4 studies, respectively, HR range: 1.31-1.46, p < 0.05). VAT area showed mixed results. A VAT:SAT ratio < 1 was associated with better cardiovascular outcomes in one study. Lower IMAT index correlated with shorter hospital stays in a single study. This review reveals complex relationships between adipose tissue parameters and TAVI outcomes. Lower adipose tissue density and higher subcutaneous adiposity were most consistently associated with better outcomes. These findings suggest that detailed analysis of adipose tissue characteristics may enhance risk stratification in TAVI candidates.
- MeSH
- aortální stenóza * chirurgie mortalita diagnostické zobrazování MeSH
- lidé MeSH
- počítačová rentgenová tomografie * metody MeSH
- pooperační komplikace * etiologie mortalita MeSH
- transkatetrální implantace aortální chlopně * škodlivé účinky mortalita MeSH
- tuková tkáň * diagnostické zobrazování MeSH
- Check Tag
- lidé MeSH
- Publikační typ
- časopisecké články MeSH
- přehledy MeSH
- systematický přehled MeSH
Sarcopenia is a serious systemic disease that reduces overall survival. TAVI is selectively performed in patients with severe aortic stenosis who are not indicated for open cardiac surgery due to severe polymorbidity. Artificial intelligence-assisted body composition assessment from available CT scans appears to be a simple tool to stratify these patients into low and high risk based on future estimates of all-cause mortality. Within our study, the segmentation of preprocedural CT scans at the level of the lumbar third vertebra in patients undergoing TAVI was performed using a neural network (AutoMATiCA). The obtained parameters (area and density of skeletal muscles and intramuscular, visceral, and subcutaneous adipose tissue) were analyzed using Cox univariate and multivariable models for continuous and categorical variables to assess the relation of selected variables with all-cause mortality. 866 patients were included (median(interquartile range)): age 79.7 (74.9-83.3) years; BMI 28.9 (25.9-32.6) kg/m2. Survival analysis was performed on all automatically obtained parameters of muscle and fat density and area. Skeletal muscle index (SMI in cm2/m2), visceral (VAT in HU) and subcutaneous adipose tissue (SAT in HU) density predicted the all-cause mortality in patients after TAVI expressed as hazard ratio (HR) with 95% confidence interval (CI): SMI HR 0.986, 95% CI (0.975-0.996); VAT 1.015 (1.002-1.028) and SAT 1.014 (1.004-1.023), all p < 0.05. Automatic body composition assessment can estimate higher all-cause mortality risk in patients after TAVI, which may be useful in preoperative clinical reasoning and stratification of patients.
- MeSH
- kosterní svaly MeSH
- lidé MeSH
- podkožní tuk MeSH
- retrospektivní studie MeSH
- sarkopenie * MeSH
- senioři MeSH
- složení těla fyziologie MeSH
- tuková tkáň MeSH
- umělá inteligence MeSH
- Check Tag
- lidé MeSH
- senioři MeSH
- Publikační typ
- časopisecké články MeSH
