Deep Learning EKG-evaluering og klinisk vurdering for konkurransedyktig idrett (VALETUDO)

Målet med denne observasjonsstudien er å evaluere muligheten for å bygge en Deep Learning (DL) modell som er i stand til å analysere elektrokardiografiske spor av idrettsutøvere og gi informasjon i form av en sannsynlighetsstratifisering av hjerte- og karsykdommer.

DL-modellen krever trening for å bli kalibrert. Prosjektet planlegger å gjennomføre nøyaktighetsevalueringer av valideringspopulasjonen (76 idrettsutøvere) og treningsforsøk på et annet datasett (455 idrettsutøvere).

Det vil være en innledende fase med systemopplæring. Idrettsutøvere vil bli vurdert i henhold til gjeldende retningslinjer og de italienske kardiologiske retningslinjene for konkurrerende idrettsdeltakelse - COCIS, med de nødvendige diagnostiske testene fra sak til sak. På slutten av hjerteevalueringen kan idrettsutøvere klassifiseres som "egnet" eller "uegnet" for konkurranseaktivitet.

Deltakerne vil sende inn EKGene til "fit" og "ufit" idrettsutøvere, kategorisert i disse to gruppene, til en dyp læringsalgoritme for å trene det kunstige intelligenssystemet.

En populasjon av påfølgende idrettsutøvere vil deretter bli rekruttert for å danne valideringssettet for testen. Disse utøverne har indikasjoner for evaluering for innvilgelse av konkurransedyktighet, som indikert av henvisende idrettsleger. Også i dette tilfellet vil idrettsutøvere i valideringssettet bli vurdert i henhold til retningslinjer og COCIS med passende tester fra sak til sak for å evaluere egnethet for konkurranse.

Deltakerne vil utsette EKG-ene til idrettsutøvere med valideringssettet for kunstig intelligens-modellen for å vurdere nøyaktighet, sensitivitet, spesifisitet, positiv prediktiv verdi, negativ prediktiv verdi og AUC i diskriminerende idrettsutøvere som er dømt som "egnet" fra de som er vurdert som "uegnet" for konkurranseaktivitet etter hjerteundersøkelser.