IA-ECG para la predicción cronorresuelta de HFrEF
Aprendizaje Profundo Basado en Electrocardiograma para la Predicción con Resolución Temporal de Insuficiencia Cardíaca con Fracción de Eyección Reducida: Un Estudio Multinacional
Este estudio tiene como objetivo desarrollar y validar un modelo de electrocardiograma (ECG) basado en aprendizaje profundo para predecir el riesgo futuro de insuficiencia cardíaca con fracción de eyección reducida (HFrEF). El modelo se entrena utilizando datos de ECG de 12 derivaciones en bruto y genera estimaciones de riesgo individualizadas y resueltas en el tiempo durante un período de 5 años.
Los datos se obtienen de múltiples cohortes, incluidos el Hospital Zhongshan, el Hospital de la Décima Gente de Shanghái y el Centro Médico Beth Israel Deaconess, que representan poblaciones diversas de China y Estados Unidos. El modelo está diseñado para identificar a individuos con un riesgo elevado de desarrollar HFrEF antes del inicio de una enfermedad clínica evidente.
El rendimiento del modelo se evalúa utilizando múltiples métricas complementarias, incluida la discriminación, la calibración y la utilidad clínica. Además, se realizan análisis de interpretabilidad para explorar la relevancia fisiológica de las características del ECG asociadas con el riesgo predicho.
Este estudio busca proporcionar una herramienta accesible y escalable para la estratificación temprana del riesgo de insuficiencia cardíaca, con el potencial de respaldar la toma de decisiones clínicas oportunas y mejorar los resultados de los pacientes.
Descripción general del estudio
Estado
Descripción detallada
La insuficiencia cardíaca con fracción de eyección reducida (ICFER) se asocia con una morbilidad y mortalidad sustanciales a nivel mundial, y la identificación temprana de individuos en riesgo sigue siendo un importante desafío clínico. Aunque los modelos de riesgo y biomarcadores existentes pueden proporcionar información pronóstica, su aplicación a menudo se ve limitada por la necesidad de pruebas de laboratorio o imágenes, así como por la variabilidad en el rendimiento entre poblaciones.
En este estudio, desarrollamos un modelo de supervivencia basado en aprendizaje profundo utilizando datos crudos de electrocardiograma de 12 derivadas (ECG) para predecir la aparición futura de ICFER. El modelo está diseñado para generar estimaciones de riesgo individualizadas, tiempo hasta el evento, durante un período de seguimiento de 5 años, permitiendo una evaluación dinámica de las trayectorias de riesgo en lugar de una clasificación estática.
El modelo se entrena con datos del Hospital Zhongshan y se valida externamente en cohortes independientes del Hospital Décimo Popular de Shanghái y del Centro Médico Beth Israel Deaconess. Estas cohortes incluyen un amplio espectro de pacientes, desde individuos sin enfermedad cardiovascular conocida hasta aquellos con diversas condiciones clínicas, lo que permite evaluar la generalizabilidad del modelo en diferentes sistemas de salud y subgrupos demográficos.
El rendimiento del modelo se evalúa exhaustivamente utilizando múltiples métricas, incluido el índice de concordancia, el área bajo la curva de características operativas del receptor dependiente del tiempo, el área bajo la curva de precisión-recuperación, la puntuación de Brier, el análisis de calibración y el análisis de curvas de decisión. La capacidad de estratificación de riesgo se evalúa mediante análisis de supervivencia de Kaplan-Meier.
Para mejorar la interpretabilidad, se aplican métodos complementarios basados en representación y atención. Estos incluyen análisis de características latentes derivadas de autoencoders variacionales, correlación con parámetros ECG convencionales y técnicas de visualización basadas en gradientes para identificar regiones de la forma de onda que contribuyen a las predicciones del modelo. Estos enfoques tienen como objetivo garantizar que el modelo capture señales fisiológicamente significativas asociadas con el remodelado miocárdico y la disfunción cardíaca.
Este estudio es de naturaleza observacional y retrospectiva y no implica ninguna intervención. Los hallazgos tienen como objetivo apoyar el desarrollo de una herramienta no invasiva, rentable y ampliamente accesible para la detección temprana de individuos en riesgo de ICFER, con implicaciones potenciales para estrategias preventivas y manejo clínico personalizado.
Tipo de estudio
Inscripción (Actual)
Contactos y Ubicaciones
Ubicaciones de estudio
-
-
Shanghai Municipality
-
Shanghai, Shanghai Municipality, Porcelana, 200436
-
-
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
- Adulto
- Adulto Mayor
Acepta Voluntarios Saludables
Método de muestreo
Población de estudio
Descripción
Criterios de inclusión:
Adultos de edad ≥18 años Se sometieron a electrocardiografía (ECG) estándar de 12 derivaciones Se sometieron a ecocardiografía transtorácica con medición de FEVI disponible Disponibilidad de datos emparejados de ECG-ecocardiografía Datos disponibles para evaluación de seguimiento
Criterios de exclusión:
Datos de ECG o ecocardiografía faltantes o incompletos Registros de ECG de baja calidad no aptos para análisis Variables clínicas clave faltantes necesarias para el desarrollo del modelo
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
Cohortes e Intervenciones
Grupo / Cohorte |
|---|
|
Población Total del Estudio
Participantes de tres cohortes independientes (Hospital Zhongshan, Hospital de la Décima Gente de Shanghái y Centro Médico Beth Israel Deaconess) que se sometieron a electrocardiografía estándar de 12 derivaciones y evaluación ecocardiográfica.
Estos datos se utilizaron para desarrollar y validar externamente un modelo de aprendizaje profundo para la predicción de tiempo hasta el evento de insuficiencia cardíaca incidente con fracción de eyección reducida (ICFEr).
No se asignaron intervenciones, ya que este fue un estudio observacional basado en datos clínicos recopilados de forma rutinaria.
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Insuficiencia Cardíaca Incidente con Fracción de Eyección Reducida (IC-FEr)
Periodo de tiempo: Hasta 5 años
|
Aparición de insuficiencia cardíaca con fracción de eyección reducida (ICFER), definida como una fracción de eyección ventricular izquierda (FEVI) ≤40% durante el seguimiento, determinada mediante ecocardiografía transtorácica.
Se incluyen tanto los casos prevalentes como los incidentes identificados a partir de los datos de ECG-ecocardiografía. |
Hasta 5 años
|
Colaboradores e Investigadores
Patrocinador
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (Actual)
Finalización primaria (Actual)
Finalización del estudio (Actual)
Fechas de registro del estudio
Enviado por primera vez
Primero enviado que cumplió con los criterios de control de calidad
Publicado por primera vez (Actual)
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
Última actualización enviada que cumplió con los criterios de control de calidad
Última verificación
Más información
Términos relacionados con este estudio
Palabras clave
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- ZS-HF-AIECG-2026
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
Descripción del plan IPD
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
Esta información se obtuvo directamente del sitio web clinicaltrials.gov sin cambios. Si tiene alguna solicitud para cambiar, eliminar o actualizar los detalles de su estudio, comuníquese con register@clinicaltrials.gov. Tan pronto como se implemente un cambio en clinicaltrials.gov, también se actualizará automáticamente en nuestro sitio web. .