Terapia Medica Guidata da Linee Guida con Elettrocardiogramma Abilitato dall'Intelligenza Artificiale sulla Disfunzione Ventricolare Sinistra Incidente: Uno Studio di Emulazione di Trial Target

Questo studio retrospettivo multicentrico ha utilizzato dati di cartelle cliniche elettroniche (EMR) provenienti da un sistema sanitario nazionale a Taiwan, comprendente un centro medico accademico e sette ospedali regionali. Il periodo di studio si è esteso da gennaio 2016 a dicembre 2024. I dati clinici includevano dati demografici, comorbidità, prescrizioni di farmaci, elettrocardiogrammi a 12 derivazioni e risultati di ecocardiografie transtoraciche.

È stato sviluppato un modello di elettrocardiografia abilitato all'intelligenza artificiale (AI-ECG) per rilevare la disfunzione ventricolare sinistra (LVD) utilizzando oltre 50.000 registrazioni accoppiate ECG-ecocardiogramma ottenute entro un intervallo di 7 giorni. L'architettura del modello consisteva in una rete neurale convoluzionale a 82 strati che incorporava un meccanismo di attenzione per catturare caratteristiche ECG temporali e morfologiche salienti. Il modello finalizzato è stato applicato senza modifiche alla coorte di studio per la stratificazione del rischio.

Tutti i pazienti eleggibili presentavano una frazione di eiezione ventricolare sinistra (LVEF) preservata al basale. Sulla base delle previsioni AI-ECG all'ingresso nella coorte, i pazienti classificati come aventi LVD dal modello nonostante una LVEF basale normale sono stati designati come gruppo ad alto rischio AI-ECG, mentre quelli previsti come non aventi LVD sono stati designati come gruppo a basso rischio AI-ECG. L'esito primario era il declino funzionale incidente del ventricolo sinistro, definito come una riduzione della LVEF a ≤40% all'ecocardiografia di follow-up.

Le terapie preventive candidate, inclusi gli inibitori dell'enzima di conversione dell'angiotensina (ACEi) o i bloccanti del recettore dell'angiotensina II (ARB), i beta-bloccanti e gli inibitori del cotrasportatore sodio-glucosio 2 (SGLT2), sono state inizialmente selezionate valutando i loro modelli di prescrizione individuali e combinati e le loro associazioni con l'esito primario. La terapia più promettente identificata in questa fase di screening è stata successivamente valutata utilizzando un framework di emulazione di trial target. Specificamente, l'uso di nuova introduzione della terapia candidata è stato confrontato con la non-uso per emulare uno studio controllato randomizzato, stimando così l'effetto del trattamento preventivo precoce sul declino incidente della LVEF utilizzando dati osservazionali del mondo reale.

Gli investigatori hanno pre-specificato metodi analitici per stimare i contrasti causali utilizzando analisi tempo-evento adatte per dati osservazionali, seguendo l'emulazione dell'assegnazione casuale del trattamento. Sono state condotte analisi di sensibilità pre-specificate per valutare la robustezza dei risultati in diversi contesti clinici, profili di comorbidità, terapie concomitanti e soglie di rischio AI-ECG alternative.