Sztuczna inteligencja w elektrokardiogramie ukierunkowana na terapię medyczną zgodną z wytycznymi w przypadkach dysfunkcji lewej komory: badanie imitujące próbę kliniczną

W tym retrospektywnym, wieloośrodkowym badaniu wykorzystano dane z elektronicznej dokumentacji medycznej (EMR) z ogólnokrajowego systemu opieki zdrowotnej na Tajwanie, obejmującego jeden akademicki ośrodek medyczny i siedem szpitali regionalnych. Okres badania trwał od stycznia 2016 roku do grudnia 2024 roku. Dane kliniczne obejmowały dane demograficzne, choroby współistniejące, przepisywane leki, wyniki 12-odprowadzeniowych elektrokardiogramów oraz wyniki przezklatkowej echokardiografii.

Opracowano model elektrokardiografii wspomaganej sztuczną inteligencją (AI-ECG) do wykrywania dysfunkcji lewej komory (LVD) przy użyciu ponad 50 000 sparowanych zapisów EKG-echokardiogram uzyskanych w odstępie 7 dni. Architektura modelu składała się z 82-warstwowej konwolucyjnej sieci neuronowej, zawierającej mechanizm uwagi do wychwytywania istotnych czasowych i morfologicznych cech EKG. Sfinalizowany model został zastosowany bez modyfikacji do kohorty badawczej w celu stratyfikacji ryzyka.

Wszyscy kwalifikujący się pacjenci mieli zachowaną frakcję wyrzutową lewej komory (LVEF) na początku badania. Na podstawie przewidywań AI-ECG przy włączeniu do kohorty, pacjenci sklasyfikowani przez model jako mający LVD pomimo prawidłowej wyjściowej LVEF zostali określeni jako grupa wysokiego ryzyka AI-ECG, podczas gdy ci, u których przewidywano brak LVD, zostali określeni jako grupa niskiego ryzyka AI-ECG. Pierwszorzędowym punktem końcowym był incydent pogorszenia czynności lewej komory, zdefiniowany jako zmniejszenie LVEF do ≤40% w kontrolnej echokardiografii.

Kandydackie terapie prewencyjne, w tym inhibitory konwertazy angiotensyny (ACEi) lub blokery receptora angiotensyny II (ARB), beta-blokery oraz inhibitory kotransportera sodowo-glukozowego 2 (SGLT2), zostały najpierw przesłuchane poprzez ocenę ich indywidualnych i kombinacyjnych wzorców przepisywania oraz ich związków z pierwszorzędowym punktem końcowym. Najbardziej obiecująca terapia zidentyfikowana w tej fazie przesiewowej została następnie oceniona przy użyciu ramowej emulacji badania docelowego. W szczególności, nowo rozpoczęte stosowanie kandydackiej terapii porównano z niestosowaniem, aby zasymulować randomizowane badanie kontrolowane, szacując w ten sposób efekt wczesnego leczenia prewencyjnego na incydent spadku LVEF przy użyciu rzeczywistych danych obserwacyjnych.

Badacze wcześniej określili metody analityczne do szacowania kontrastów przyczynowych przy użyciu analiz czasu do zdarzenia odpowiednich dla danych obserwacyjnych, po emulacji losowego przydziału leczenia. Przeprowadzono wcześniej określone analizy wrażliwości w celu oceny solidności wyników w różnych ustawieniach klinicznych, profilach chorób współistniejących, terapiach towarzyszących oraz alternatywnych progach ryzyka AI-ECG.