AI-aktivert elektrokardiogram-styrt retningslinjebasert medisinsk behandling for nyoppstått dysfunksjon i venstre ventrikkel: En målrettet prøveemuleringsstudie

Denne retrospektive, multicenter-studien benyttet elektroniske medisinske journaler (EMR) fra et nasjonalt helsevesen i Taiwan, som omfattet ett akademisk medisinsk senter og syv regionale sykehus. Studieperioden strakte seg fra januar 2016 til desember 2024. Kliniske data inkluderte demografi, komorbiditeter, medisinresepter, 12-leders elektrokardiogrammer og transtorakale ekkokardiografiresultater.

En kunstig intelligens-aktivert elektrokardiografi (AI-EKG) modell ble utviklet for å oppdage venstre ventrikkeldysfunksjon (LVD) ved bruk av over 50 000 sammenkoblede EKG-ekkokardiogram-opptak innhentet innen et 7-dagers intervall. Modellarkitekturen bestod av et 82-lags konvolusjonelt nevralt nettverk som inkorporerte en oppmerksomhetsmekanisme for å fange fremtredende temporale og morfologiske EKG-egenskaper. Den ferdige modellen ble anvendt uten modifikasjon på studiepopulasjonen for risikostratifisering.

Alle kvalifiserte pasienter hadde bevart venstre ventrikkelejeksjonsfraksjon (LVEF) ved utgangspunktet. Basert på AI-EKG-prediksjoner ved inklusjon i kohorten, ble pasienter klassifisert som å ha LVD av modellen til tross for normal basislinje LVEF, utpekt som AI-EKG høyrisikogruppen, mens de som ble predikert å ikke ha LVD ble utpekt som AI-EKG lavrisikogruppen. Primærutfall var hendelse av venstre ventrikkelfunksjonsnedgang, definert som en reduksjon i LVEF til ≤40% på oppfølgende ekkokardiografi.

Kandidatpreventive terapier, inkludert angiotensin-konverterende enzymhemmere (ACE-hemmere) eller angiotensin II-reseptorblokkere (ARB), betablokkere og natrium-glukose-kotransporter 2 (SGLT2)-hemmere, ble først screent ved å evaluere deres individuelle og kombinasjonsreseptmønstre og deres assosiasjoner med primærutfall. Den mest lovende terapien identifisert i denne screeningsfasen ble deretter vurdert ved bruk av et målprøveemuleringsrammeverk. Spesifikt ble nylig startet bruk av kandidatterapien sammenlignet med ikke-bruk for å emulere en randomisert kontrollert studie, og dermed estimere effekten av tidlig forebyggende behandling på hendelse av LVEF-nedgang ved bruk av observasjonsdata fra den virkelige verden.

Forskerne prespesifiserte analytiske metoder for å estimere årsakssammenhenger ved bruk av tid-til-hendelse-analyser egnet for observasjonsdata, etter emulering av tilfeldig behandlingstildeling. Prespesifiserte sensitivitetsanalyser ble utført for å vurdere robustheten til funnene på tvers av forskjellige kliniske settinger, komorbiditetsprofiler, samtidige terapier og alternative AI-EKG risikoterskler.