AI-EKG til tidsopløst forudsigelse af HFrEF

Hjertesvigt med nedsat ejektionsfraktion (HFrEF) er forbundet med betydelig morbiditet og mortalitet på verdensplan, og tidlig identifikation af personer i risiko forbliver en stor klinisk udfordring. Selvom eksisterende risikomodeller og biomarkører kan give prognostiske oplysninger, er deres anvendelse ofte begrænset af behovet for laboratorieundersøgelser eller billeddannende undersøgelser samt variation i ydeevne på tværs af befolkninger.

I denne undersøgelse udvikler vi en dyb læringsbaseret overlevelsesmodel ved hjælp af rå 12-leds elektrokardiogram (EKG) data til at forudsige fremtidig debut af HFrEF. Modellen er designet til at generere individuelle, tid-til-begivenhed risikovurderinger over en 5-årig opfølgningsperiode, hvilket muliggør dynamisk vurdering af risikotrajektorier i stedet for statisk klassifikation.

Modellen er trænet på data fra Zhongshan Hospital og eksternt valideret i uafhængige kohorter fra Shanghai Tenth People's Hospital og Beth Israel Deaconess Medical Center. Disse kohorter omfatter et bredt spektrum af patienter, fra personer uden kendt hjerte-kar-sygdom til dem med forskellige kliniske tilstande, hvilket muliggør evaluering af modelgeneraliserbarhed på tværs af forskellige sundhedssystemer og demografiske undergrupper.

Modelydeevne vurderes omfattende ved hjælp af flere målinger, inklusive konkordansindeks, tidsafhængigt areal under receiver operating characteristic kurven, areal under precision-recall kurven, Brier score, kalibreringsanalyse og beslutningskurveanalyse. Risikostratificeringsevne evalueres ved hjælp af Kaplan-Meier overlevelsesanalyse.

For at forbedre fortolkbarheden anvendes komplementære repræsentationsbaserede og opmærksomhedsbaserede metoder. Disse inkluderer variationsautoencoder-afledt latente funktionsanalyse, korrelation med konventionelle EKG-parametre og gradientbaserede visualiseringsteknikker til at identificere bølgeformregioner, der bidrager til modelforudsigelser. Disse tilgange sigter mod at sikre, at modellen fanger fysiologisk meningsfulde signaler forbundet med myokardiel omdannelse og hjertefunktionsnedsættelse.

Denne undersøgelse er observationel og retrospektiv af natur og involverer ikke nogen intervention. Resultaterne sigter mod at støtte udviklingen af et ikke-invasivt, omkostningseffektivt og bredt tilgængeligt værktøj til tidlig opsporing af personer i risiko for HFrEF, med potentielle implikationer for forebyggelsesstrategier og personlig klinisk behandling.