ИИ-ЭКГ для временно-разрешенного прогнозирования HFrEF

Сердечная недостаточность со сниженной фракцией выброса (СНсФВ) связана со значительной заболеваемостью и смертностью во всем мире, и раннее выявление лиц из группы риска остается серьезной клинической проблемой. Хотя существующие модели риска и биомаркеры могут предоставлять прогностическую информацию, их применение часто ограничено необходимостью лабораторных исследований или визуализации, а также вариабельностью результатов в разных популяциях.

В этом исследовании мы разрабатываем модель выживаемости на основе глубокого обучения, использующую исходные данные 12-канальной электрокардиограммы (ЭКГ) для прогнозирования будущего развития СНсФВ. Модель предназначена для генерации индивидуализированных оценок риска «время-до-события» в течение 5-летнего периода наблюдения, что позволяет проводить динамическую оценку траекторий риска вместо статической классификации.

Модель обучается на данных из Госпиталя Чжуншань и проходит внешнюю валидацию в независимых когортах из Шанхайской Десятой народной больницы и Медицинского центра Бет Исраэл Диконесс. Эти когорты включают широкий спектр пациентов — от лиц без известных сердечно-сосудистых заболеваний до пациентов с различными клиническими состояниями, что позволяет оценить обобщаемость модели в разных системах здравоохранения и демографических подгруппах.

Производительность модели всесторонне оценивается с использованием множества метрик, включая индекс конкордации, зависящую от времени площадь под ROC-кривой, площадь под кривой точности-полноты, оценку Брайера, анализ калибровки и анализ кривых решений. Способность к стратификации риска оценивается с помощью анализа выживаемости по методу Каплана-Мейера.

Для повышения интерпретируемости применяются дополнительные методы на основе репрезентаций и внимания. К ним относятся анализ латентных признаков, полученных с помощью вариационного автоэнкодера, корреляция с традиционными параметрами ЭКГ и методы визуализации на основе градиентов для выявления участков кривой, вносящих вклад в прогнозы модели. Эти подходы направлены на обеспечение того, чтобы модель улавливала физиологически значимые сигналы, связанные с ремоделированием миокарда и сердечной дисфункцией.

Данное исследование носит наблюдательный и ретроспективный характер и не предполагает какого-либо вмешательства. Результаты направлены на поддержку разработки неинвазивного, экономически эффективного и широкодоступного инструмента для раннего выявления лиц из группы риска СНсФВ, что может иметь значение для профилактических стратегий и персонализированного клинического ведения.