KI-gestützte EKG-geleitete leitliniengerechte medikamentöse Therapie bei neu aufgetretener linksventrikulärer Dysfunktion: Eine Target-Trial-Emulationsstudie

Diese retrospektive, multizentrische Studie nutzte Daten aus elektronischen Patientenakten (EMR) eines landesweiten Gesundheitssystems in Taiwan, das ein akademisches medizinisches Zentrum und sieben regionale Krankenhäuser umfasste. Der Studienzeitraum erstreckte sich von Januar 2016 bis Dezember 2024. Die klinischen Daten umfassten Demografie, Komorbiditäten, Medikamentenverordnungen, 12-Kanal-Elektrokardiogramme und transthorakale Echokardiographie-Ergebnisse.

Ein KI-gestütztes Elektrokardiographie-Modell (AI-ECG) wurde entwickelt, um linksventrikuläre Dysfunktion (LVD) zu erkennen, basierend auf über 50.000 gepaarten EKG-Echokardiogramm-Aufnahmen, die innerhalb eines 7-Tage-Intervalls erfasst wurden. Die Modellarchitektur bestand aus einem 82-schichtigen konvolutionalen neuronalen Netzwerk, das einen Aufmerksamkeitsmechanismus integrierte, um bedeutende zeitliche und morphologische EKG-Merkmale zu erfassen. Das finalisierte Modell wurde ohne Änderungen auf die Studienkohorte zur Risikostratifizierung angewendet.

Alle geeigneten Patienten wiesen zum Studienbeginn eine erhaltene linksventrikuläre Ejektionsfraktion (LVEF) auf. Basierend auf den AI-ECG-Vorhersagen bei Studienbeginn wurden Patienten, die vom Modell trotz normaler Ausgangs-LVEF als LVD-positiv klassifiziert wurden, als AI-ECG-Hochrisikogruppe eingestuft, während diejenigen, bei denen keine LVD vorhergesagt wurde, als AI-ECG-Niedrigrisikogruppe bezeichnet wurden. Das primäre Ergebnis war das Auftreten eines linksventrikulären Funktionsabfalls, definiert als eine Reduktion der LVEF auf ≤40% in der Folge-Echokardiographie.

Kandidaten für präventive Therapien, einschließlich Angiotensin-Converting-Enzym-Hemmer (ACE-Hemmer) oder Angiotensin-II-Rezeptorblocker (ARB), Betablocker und Natrium-Glukose-Cotransporter-2-Inhibitoren (SGLT2-Inhibitoren), wurden zunächst durch Bewertung ihrer individuellen und kombinierten Verordnungsmuster sowie ihrer Assoziationen mit dem primären Ergebnis gescreent. Die vielversprechendste Therapie, die in dieser Screening-Phase identifiziert wurde, wurde anschließend mithilfe eines Target-Trial-Emulation-Frameworks bewertet. Konkret wurde der neu initiierte Einsatz der Kandidatentherapie mit Nichtnutzung verglichen, um eine randomisierte kontrollierte Studie zu emulieren und so den Effekt einer frühen präventiven Behandlung auf das Auftreten eines LVEF-Abfalls anhand realer Beobachtungsdaten zu schätzen.

Die Forscher legten vorab Analysemethoden fest, um kausale Kontraste mittels ereigniszeitanalysen zu schätzen, die für Beobachtungsdaten geeignet sind, nachdem die zufällige Behandlungszuweisung emuliert wurde. Vordefinierte Sensitivitätsanalysen wurden durchgeführt, um die Robustheit der Ergebnisse über verschiedene klinische Settings, Komorbiditätsprofile, Begleittherapien und alternative AI-ECG-Risikoschwellen hinweg zu bewerten.