AI-aktiveret elektrokardiogram-guidet retningslinje-dirigeret medicinsk behandling af incident ventrikel dysfunktion: Et målrettet forsøgsemuleringsstudie

Denne retrospektive, multicenterstudie anvendte elektroniske patientjournaldata (EMR) fra et landsdækkende sundhedsvæsenssystem i Taiwan, omfattende et akademisk medicinsk center og syv regionale hospitaler. Studieperioden strakte sig fra januar 2016 til december 2024. Kliniske data omfattede demografi, komorbiditeter, medicinordinationer, 12-leds elektrokardiogrammer og resultater af transtorakal ekkokardiografi.

En kunstig intelligens-aktiveret elektrokardiografimodel (AI-ECG) blev udviklet til at detektere venstre ventrikulær dysfunktion (LVD) ved hjælp af over 50.000 sammenkoblede ECG-ekkokardiogramoptagelser indhentet inden for et 7-dages interval. Modelarkitekturen bestod af et 82-lags konvolutionelt neuralt netværk, der inkorporerede en opmærksomhedsmekanisme til at fange fremtrædende temporale og morfologiske ECG-egenskaber. Den færdiggjorte model blev anvendt uden ændringer på studiekohorten til risikostratificering.

Alle kvalificerede patienter havde bevaret venstre ventrikel ejektionsfraktion (LVEF) ved baseline. Baseret på AI-ECG-forudsigelser ved kohorteindtræden blev patienter klassificeret som havende LVD af modellen på trods af normal baseline LVEF udpeget som AI-ECG højrisikogruppen, hvorimod dem der forudsagdes ikke at have LVD blev udpeget som AI-ECG lavrisikogruppen. Det primære udfald var incident venstre ventrikel funktionelt fald, defineret som en reduktion i LVEF til ≤40% på opfølgende ekkokardiografi.

Kandidatforebyggende terapier, herunder angiotensin konverterende enzymhæmmere (ACEi) eller angiotensin II receptorblokkere (ARB), beta-blokkere og natrium-glukose cotransporter 2 (SGLT2) hæmmere blev først screnet ved at evaluere deres individuelle og kombinationsordinationsmønstre og deres associationer med det primære udfald. Den mest lovende terapi identificeret i denne screeningsfase blev efterfølgende vurderet ved hjælp af et måltrialsemuleringsrammeværk. Specifikt blev nyligt påbegyndt brug af kandidatterapien sammenlignet med ikke-brug for at emulere et randomiseret kontrolleret forsøg, hvorved effekten af tidlig forebyggende behandling på incident LVEF-fald blev estimeret ved hjælp af virkelighedsnære observationsdata.

Undersøgerne præspecificerede analytiske metoder til at estimere kausale kontraster ved hjælp af tid-til-begivenhedsanalyser egnede til observationsdata, efter emulering af tilfældig behandlingstildeling. Præspecificerede følsomhedsanalyser blev udført for at vurdere robustheden af fundene på tværs af forskellige kliniske indstillinger, komorbiditetsprofiler, samtidige terapier og alternative AI-ECG risikotærskler.