AI-ECG per la previsione temporizzata dell'HFrEF

L'insufficienza cardiaca con frazione di eiezione ridotta (HFrEF) è associata a una morbilità e mortalità sostanziali a livello mondiale, e l'identificazione precoce degli individui a rischio rimane una sfida clinica importante. Sebbene i modelli di rischio e i biomarcatori esistenti possano fornire informazioni prognostiche, la loro applicazione è spesso limitata dalla necessità di test di laboratorio o di imaging, nonché dalla variabilità delle prestazioni tra le diverse popolazioni.

In questo studio, sviluppiamo un modello di sopravvivenza basato sul deep learning utilizzando dati grezzi di elettrocardiogramma (ECG) a 12 derivazioni per prevedere l'insorgenza futura di HFrEF. Il modello è progettato per generare stime di rischio individualizzate, tempo-all'evento, in un periodo di follow-up di 5 anni, consentendo una valutazione dinamica delle traiettorie di rischio anziché una classificazione statica.

Il modello è addestrato sui dati dell'Ospedale Zhongshan e validato esternamente in coorti indipendenti dell'Ospedale delle Dieci Persone di Shanghai e del Beth Israel Deaconess Medical Center. Queste coorti includono un ampio spettro di pazienti, che vanno da individui senza malattie cardiovascolari note a quelli con condizioni cliniche diverse, consentendo così la valutazione della generalizzabilità del modello tra diversi sistemi sanitari e sottogruppi demografici.

Le prestazioni del modello sono valutate in modo completo utilizzando molteplici metriche, tra cui l'indice di concordanza, l'area sotto la curva ROC dipendente dal tempo, l'area sotto la curva precisione-recall, il punteggio di Brier, l'analisi di calibrazione e l'analisi della curva decisionale. La capacità di stratificazione del rischio è valutata utilizzando l'analisi di sopravvivenza di Kaplan-Meier.

Per migliorare l'interpretabilità, vengono applicati metodi complementari basati sulla rappresentazione e sull'attenzione. Questi includono l'analisi delle caratteristiche latenti derivate da autoencoder variazionali, la correlazione con parametri ECG convenzionali e tecniche di visualizzazione basate sul gradiente per identificare le regioni della forma d'onda che contribuiscono alle previsioni del modello. Questi approcci mirano a garantire che il modello catturi segnali fisiologicamente significativi associati al rimodellamento miocardico e alla disfunzione cardiaca.

Questo studio è di natura osservazionale e retrospettiva e non prevede alcun intervento. I risultati mirano a supportare lo sviluppo di uno strumento non invasivo, economico e ampiamente accessibile per la rilevazione precoce degli individui a rischio di HFrEF, con potenziali implicazioni per le strategie preventive e la gestione clinica personalizzata.