AI-basert prediksjon av hjertefunksjon ved bruk av ekkokardiografi og kroppssammensetningsdata (Echo-Fit-studie) (ECHO-FIT)

Bakgrunn og begrunnelse:

Hjertesvikt representerer en betydelig global helsebyrde, preget av høy sykelighet og dødelighet. Mens ekkokardiografi forblir gullstandarden for diagnose av hjertesvikt og overvåking, og gir viktige målinger som venstre ventrikulær utkastingsfraksjon (LVEF) og diastolisk funksjonsvurdering, er dens utbredte implementering begrenset av ressursbegrensninger og operatøravhengighet. Bioelektrisk impedansanalyse (BIA) tilbyr en lovende komplementær tilnærming, og gir rask og ikke-invasiv vurdering av kroppssammensetningsparametere som har vist korrelasjoner med kardiovaskulære utfall. Denne studien søker å utnytte den potensielle synergien mellom ekkokardiografiske funn og kroppssammensetningsdata for å utvikle et mer tilgjengelig screeningsverktøy for hjertedysfunksjon.

Studermål:

• Primær: Å utvikle og validere en prediktiv modell for venstre ventrikkelfunksjon ved å integrere kroppssammensetningsdata fra QCCUNIQ BC 720 -enhet med standard ekkokardiografiske parametere.

• Sekundær:

  • For å undersøke korrelasjoner mellom kroppssammensetningsindekser og ekkokardiografiske målinger
  • For å evaluere bruken av kroppssammensetningsanalyse for å identifisere kardiovaskulære pasienter med høy risiko
  • For å vurdere modellens potensial som et screeningsverktøy i ressursbegrensede innstillinger

Metodikk:

Denne enkeltsenteret, prospektive observasjonsstudien vil registrere 2000 voksne (≥20 år) som gjennomgår rutinemessig ekkokardiografi, like delt mellom de med normal hjertefunksjon (LVEF ≥50%) og hjertesvikt (LVEF <50%). Deltakerne vil gjennomgå kroppssammensetningsanalyse ved bruk av QCCUNIQ BC 720 -enheten innen en uke etter deres ekkokardiogram.

Datainnsamling og analyse:

Omfattende datainnsamling vil omfatte standard ekkokardiografiske parametere (LVEF, diastolisk funksjon, strukturelle målinger) og detaljert kroppssammensetningsanalyse (fettmasse, skjelettmuskelmasse, total kroppsvann). Statistisk analyse vil benytte både tradisjonelle regresjonsmetoder og avanserte maskinlæringsalgoritmer for å utvikle den prediktive modellen. Modellvalidering vil bruke K-fold kryssvalidering, med ytelse vurdert gjennom standardmålinger inkludert følsomhet, spesifisitet og område under kurven (AUC).