Predikce srdeční funkce založená na AI pomocí echokardiografie a údajů o složení těla (studie Echo-Fit) (ECHO-FIT)

Pozadí a zdůvodnění:

Srdeční selhání představuje významnou globální zdravotní zátěž, charakterizovaná vysokou morbiditou a úmrtností. Zatímco echokardiografie zůstává zlatým standardem pro diagnostiku a monitorování srdečního selhání a poskytuje zásadní měření, jako je ejekční frakce levé komory (LVEF) a hodnocení diastolické funkce, jeho rozšířená implementace je omezena omezeními zdrojů a závislostí operátora. Bioelektrická impedanční analýza (BIA) nabízí slibný doplňkový přístup a poskytuje rychlé a neinvazivní hodnocení parametrů složení těla, které prokázaly korelace s kardiovaskulárními výsledky. Tato studie se snaží využít potenciální synergii mezi echokardiografickými nálezy a údaji o složení těla za účelem vývoje dostupnějšího screeningového nástroje pro srdeční dysfunkci.

Cíle studia:

• Primární: Pro vývoj a ověření prediktivního modelu pro funkci levé komory integrací složení těla ze zařízení QCCUNIQ BC 720 se standardními echokardiografickými parametry.

• Sekundární:

  • Prozkoumat korelace mezi indexy složení těla a echokardiografickými měřeními
  • Vyhodnotit užitečnost analýzy složení těla při identifikaci vysoce rizikových kardiovaskulárních pacientů
  • Posoudit potenciál modelu jako screeningového nástroje v nastavení s omezeným zdrojem

Metodologie:

Tato jednorázová, prospektivní observační studie zaregistruje 2 000 dospělých (≥ 20 let) podstupujících rutinní echokardiografii, stejně rozděleno mezi ty s normální srdeční funkcí (LVEF ≥ 50%) a srdeční selhání (LVEF <50%). Účastníci podstoupí analýzu složení těla pomocí zařízení QCCUNIQ BC 720 do jednoho týdne od svého echokardiogramu.

Sběr a analýza dat:

Komplexní sběr dat bude zahrnovat standardní echokardiografické parametry (LVEF, diastolická funkce, strukturální měření) a podrobná analýza složení těla (tuková hmota, hmota kosterního svalu, celková tělesná voda). Statistická analýza použije jak tradiční regresní metody, tak pokročilé algoritmy strojového učení k vývoji prediktivního modelu. Validace modelu využije křížovou validaci k-násobku, přičemž výkon je hodnocen pomocí standardních metrik, včetně citlivosti, specificity a oblasti pod křivkou (AUC).