KI-EKG für zeitaufgelöste Vorhersage von HFrEF

Herzinsuffizienz mit reduzierter Ejektionsfraktion (HFrEF) ist weltweit mit erheblicher Morbidität und Mortalität verbunden, und die frühzeitige Identifizierung von Risikopersonen bleibt eine große klinische Herausforderung. Obwohl bestehende Risikomodelle und Biomarker prognostische Informationen liefern können, ist ihre Anwendung oft durch die Notwendigkeit von Labortests oder bildgebenden Verfahren sowie durch Leistungsvariabilität in verschiedenen Populationen eingeschränkt.

In dieser Studie entwickeln wir ein auf Deep Learning basierendes Überlebensmodell unter Verwendung von Rohdaten aus dem 12-Kanal-Elektrokardiogramm (EKG), um das zukünftige Auftreten von HFrEF vorherzusagen. Das Modell ist darauf ausgelegt, individualisierte, zeitbezogene Risikoschätzungen über einen 5-jährigen Nachbeobachtungszeitraum zu generieren, was eine dynamische Bewertung von Risikoverläufen anstelle einer statischen Klassifizierung ermöglicht.

Das Modell wird mit Daten des Zhongshan Hospitals trainiert und extern in unabhängigen Kohorten des Shanghai Tenth People's Hospital und des Beth Israel Deaconess Medical Center validiert. Diese Kohorten umfassen ein breites Spektrum von Patienten, von Personen ohne bekannte kardiovaskuläre Erkrankungen bis hin zu solchen mit verschiedenen klinischen Zuständen, wodurch die Bewertung der Modellverallgemeinerbarkeit über verschiedene Gesundheitssysteme und demografische Untergruppen hinweg ermöglicht wird.

Die Modellleistung wird umfassend mit mehreren Metriken bewertet, einschließlich des Konkordanzindexes, der zeitabhängigen Fläche unter der Receiver-Operating-Characteristic-Kurve, der Fläche unter der Precision-Recall-Kurve, des Brier-Scores, der Kalibrierungsanalyse und der Entscheidungskurvenanalyse. Die Risikostratifizierungsfähigkeit wird mittels Kaplan-Meier-Überlebensanalyse bewertet.

Um die Interpretierbarkeit zu verbessern, werden komplementäre darstellungsbasierte und aufmerksamkeitsbasierte Methoden angewendet. Dazu gehören die Analyse latenter Merkmale, die von einem Variationsautoencoder abgeleitet werden, die Korrelation mit konventionellen EKG-Parametern und gradientenbasierte Visualisierungstechniken, um Wellenformbereiche zu identifizieren, die zu den Modellvorhersagen beitragen. Diese Ansätze zielen darauf ab, sicherzustellen, dass das Modell physiologisch bedeutsame Signale erfasst, die mit myokardialer Remodellierung und kardialer Dysfunktion assoziiert sind.

Diese Studie ist beobachtend und retrospektiv und beinhaltet keine Intervention. Die Ergebnisse zielen darauf ab, die Entwicklung eines nicht-invasiven, kosteneffektiven und weit verbreiteten Instruments zur Früherkennung von Personen mit HFrEF-Risiko zu unterstützen, mit potenziellen Implikationen für Präventionsstrategien und personalisiertes klinisches Management.