Oparta na AI prognozowanie funkcji serca za pomocą danych echokardiografii i składu ciała (badanie Echo-Fit) (ECHO-FIT)

Tło i uzasadnienie:

Niewydolność serca stanowi znaczące globalne obciążenie zdrowotne, charakteryzujące się wysoką zachorowalnością i śmiertelnością. Podczas gdy echokardiografia pozostaje złotym standardem diagnozy i monitorowania niewydolności serca, zapewniając kluczowe pomiary, takie jak frakcja wyrzutowa lewej komory (LVEF) i ocena funkcji rozkurczowych, jej powszechne wdrożenie jest ograniczone przez ograniczenia zasobów i zależność operatora. Analiza impedancji bioelektrycznej (BIA) oferuje obiecujące podejście uzupełniające, zapewniając szybką i nieinwazyjną ocenę parametrów składu ciała, które wykazały korelacje z wynikami sercowo-naczyniowymi. To badanie ma na celu wykorzystanie potencjalnej synergii między wyników echokardiograficznych a danymi składu ciała w celu opracowania bardziej dostępnego narzędzia badań przesiewowych pod kątem dysfunkcji serca.

Cele badań:

• Podstawowe: Opracowanie i potwierdzenie modelu predykcyjnego dla funkcji lewej komory poprzez zintegrowanie danych składu ciała z urządzenia QCCUNIQ BC 720 ze standardowymi parametrami echokardiograficznymi.

• Wtórny:

  • W celu zbadania korelacji między wskaźnikami składu ciała a pomiarami echokardiograficznymi
  • Aby ocenić użyteczność analizy składu ciała w identyfikacji pacjentów sercowo-naczyniowych wysokiego ryzyka
  • Aby ocenić potencjał modelu jako narzędzie badań przesiewowych w ustawieniach ograniczonych do zasobów

Metodologia:

To jednoosobowe, prospektywne badanie obserwacyjne zapisa się na 2000 dorosłych (≥20 lat) poddawanych rutynowej echokardiografii, równo podzielonej między normalną funkcją serca (LVEF ≥50%) i niewydolności serca (LVEF <50%). Uczestnicy przejdą analizę składu ciała za pomocą urządzenia QCCUNIQ BC 720 w ciągu tygodnia od ich echokardiogramu.

Zbieranie i analiza danych:

Kompleksowe gromadzenie danych będzie obejmować standardowe parametry echokardiograficzne (LVEF, funkcja rozkurczowa, pomiary strukturalne) i szczegółową analizę składu ciała (masa tłuszczu, masa mięśni szkieletowych, całkowita woda ciała). Analiza statystyczna zastosuje zarówno tradycyjne metody regresji, jak i zaawansowane algorytmy uczenia maszynowego w celu opracowania modelu predykcyjnego. Walidacja modelu wykorzysta K-Fold Cross-walidację, a wydajność oceniana jest standardowymi wskaźnikami, w tym czułością, swoistością i obszarem pod krzywą (AUC).