AI-EKG for tidsløst prediksjon av HFrEF

Hjertesvikt med redusert ejeksjonsfraksjon (HFrEF) er assosiert med betydelig morbiditet og mortalitet globalt, og tidlig identifikasjon av individer i risiko forblir en stor klinisk utfordring. Selv om eksisterende risikomodeller og biomarkører kan gi prognostisk informasjon, er deres anvendelse ofte begrenset av behovet for laboratorietesting eller bildediagnostikk, samt variasjon i ytelse på tvers av populasjoner.

I denne studien utvikler vi en dyp læringsbasert overlevelsesmodell ved bruk av rå 12-avledet elektrokardiogram (EKG) data for å forutsi fremtidig utvikling av HFrEF. Modellen er designet for å generere individualiserte, tid-til-hendelse risikovurderinger over en 5-års oppfølgingsperiode, noe som muliggjør dynamisk vurdering av risikotrajektorier i stedet for statisk klassifisering.

Modellen er trent på data fra Zhongshan-sykehuset og eksternt validert i uavhengige kohorter fra Shanghai Tenth People's Hospital og Beth Israel Deaconess Medical Center. Disse kohortene inkluderer et bredt spekter av pasienter, fra individer uten kjent hjerte- og karsykdom til de med ulike kliniske tilstander, og muliggjør dermed evaluering av modellens generaliserbarhet på tvers av ulike helsevesensystemer og demografiske undergrupper.

Modellens ytelse er omfattende vurdert ved bruk av flere mål, inkludert konkordansindeks, tidsavhengig areal under mottakeroperasjonskarakteristikk-kurven, areal under presisjons-gjenkallingskurven, Brier-score, kalibreringsanalyse og beslutningskurveanalyse. Risikostratifiseringskapasitet er evaluert ved bruk av Kaplan-Meier-overlevelsesanalyse.

For å forbedre tolkbarheten, anvendes komplementære representasjonsbaserte og oppmerksomhetsbaserte metoder. Disse inkluderer variasjonell autoencoder-avledet latente funksjonsanalyse, korrelasjon med konvensjonelle EKG-parametere, og gradientbaserte visualiseringsteknikker for å identifisere bølgeformregioner som bidrar til modellens prediksjoner. Disse tilnærmingene har som mål å sikre at modellen fanger opp fysiologisk meningsfulle signaler assosiert med myokardial remodellering og kardiell dysfunksjon.

Denne studien er observasjonsmessig og retrospektiv i sin natur og involverer ikke noen intervensjon. Funnene har som mål å støtte utviklingen av et ikke-invasivt, kostnadseffektivt og bredt tilgjengelig verktøy for tidlig oppdagelse av individer i risiko for HFrEF, med potensielle implikasjoner for forebyggende strategier og personlig klinisk ledelse.