HFrEFの時間分解能予測のためのAI-ECG

駆出率低下型心不全（HFrEF）は、世界的に見ても著しい罹患率と死亡率と関連しており、リスクのある個人の早期識別は依然として主要な臨床的課題である。既存のリスクモデルやバイオマーカーは予後情報を提供できるが、その適用はしばしば、検査室での検査や画像診断の必要性、ならびに集団間での性能のばらつきによって制限される。

本研究では、生の12誘導心電図（ECG）データを用いて、将来のHFrEF発症を予測する深層学習ベースの生存モデルを開発する。このモデルは、5年間の追跡期間にわたって個別化されたイベントまでの時間リスク推定値を生成するように設計されており、静的な分類ではなく、リスク軌跡の動的評価を可能にする。

モデルは中山病院のデータで学習され、上海市第十人民医院およびベス・イスラエル・ディーコネス医療センターの独立したコホートで外部検証される。これらのコホートには、既知の心血管疾患のない個人から多様な臨床状態を有する患者まで幅広い患者が含まれており、これにより、異なる医療システムおよび人口統計学的サブグループにわたるモデルの一般化可能性の評価が可能となる。

モデルの性能は、コンコーダンス指数、時間依存ROC曲線下面積、適合率-再現率曲線下面積、ブライアースコア、キャリブレーション分析、決定曲線分析など、複数の指標を用いて包括的に評価される。リスク層別化能力は、カプラン・マイヤー生存分析を用いて評価される。

解釈可能性を高めるために、補完的な表現ベースおよびアテンションベースの手法が適用される。これには、変分オートエンコーダーに基づく潜在特徴分析、従来のECGパラメータとの相関、モデル予測に寄与する波形領域を特定するための勾配ベースの可視化技術が含まれる。これらのアプローチは、モデルが心筋リモデリングおよび心機能障害に関連する生理学的に意味のある信号を捉えることを保証することを目的としている。

本研究は観察的かつ遡及的性質のものであり、いかなる介入も含まない。知見は、HFrEFリスクのある個人の早期発見のための非侵襲的、費用対効果が高く、広く利用可能なツールの開発を支援し、予防戦略および個別化された臨床管理に潜在的な示唆を与えることを目指している。