AI-baseret forudsigelse af hjertefunktion ved hjælp af ekkokardiografi og kropssammensætningsdata (ECHO-FIT-undersøgelse) (ECHO-FIT)

Baggrund og begrundelse:

Hjertesvigt repræsenterer en betydelig global sundhedsbyrde, kendetegnet ved høj sygelighed og dødelighed. Mens ekkokardiografi forbliver guldstandarden for diagnose og overvågning af hjertesvigt og overvågning, der giver vigtige målinger som venstre ventrikulær ejektionsfraktion (LVEF) og diastolisk funktionsvurdering, er dens udbredte implementering begrænset af ressourcebegrænsninger og operatørafhængighed. Bioelektrisk impedansanalyse (BIA) tilbyder en lovende komplementær tilgang, der giver hurtig og ikke-invasiv vurdering af kropssammensætningsparametre, der har vist korrelationer med kardiovaskulære resultater. Denne undersøgelse søger at udnytte den potentielle synergi mellem ekkokardiografiske fund og data om kropssammensætning for at udvikle et mere tilgængeligt screeningsværktøj til hjertedysfunktion.

Undersøgelsesmål:

• Primær: At udvikle og validere en forudsigelig model for venstre ventrikelfunktion ved at integrere kropssammensætningsdata fra QCCuniq BC 720 -enheden med standard ekkokardiografiske parametre.

• Sekundær:

  • At undersøge sammenhænge mellem kropssammensætningsindeks og ekkokardiografiske målinger
  • For at evaluere anvendeligheden af ​​kropssammensætningsanalyse til identifikation af højrisiko-kardiovaskulære patienter
  • For at vurdere modellens potentiale som et screeningsværktøj i ressourcebegrænsede indstillinger

Metodik:

Denne enkeltcentre, prospektive observationsundersøgelse vil tilmelde 2.000 voksne (≥20 år), der gennemgår rutinemæssig ekkokardiografi, lige så opdelt mellem dem med normal hjertefunktion (LVEF ≥50%) og hjertesvigt (LVEF <50%). Deltagerne vil gennemgå en kropssammensætningsanalyse ved hjælp af QCCuniq BC 720 -enheden inden for en uge efter deres ekkokardiogram.

Dataindsamling og analyse:

Omfattende dataindsamling vil omfatte standard ekkokardiografiske parametre (LVEF, diastolisk funktion, strukturelle målinger) og detaljeret kropssammensætningsanalyse (fedtmasse, skeletmuskelmasse, total kropsvand). Statistisk analyse vil anvende både traditionelle regressionsmetoder og avancerede maskinlæringsalgoritmer til at udvikle den forudsigelige model. Modelvalidering vil anvende K-fold krydsvalidering med ydeevne vurderet gennem standardmetrics inklusive følsomhed, specificitet og område under kurven (AUC).