Deep Learning EKG-utvärdering och klinisk bedömning för tävlingsbehörighet (VALETUDO)

Målet med denna observationsstudie är att utvärdera möjligheten att bygga en Deep Learning (DL) modell som kan analysera elektrokardiografiska spår av idrottare och ge information i form av en sannolikhetsstratifiering av hjärt-kärlsjukdom.

DL-modellen kräver träning för att kalibreras. Projektet planerar att genomföra noggrannhetsutvärderingar av valideringspopulationen (76 idrottare) och träningsförsök på en annan datauppsättning (455 idrottare).

Det kommer att finnas en inledande fas av systemutbildning. Idrottare kommer att bedömas enligt gällande riktlinjer och de italienska kardiologiska riktlinjerna för deltagande i tävlingsidrott - COCIS, med de nödvändiga diagnostiska testerna från fall till fall. I slutet av hjärtutvärderingen kan idrottare klassificeras som "passade" eller "olämpliga" för tävlingsaktivitet.

Deltagarna kommer att skicka in EKG:n för "fit" och "ofit" idrottare, kategoriserade i dessa två grupper, till en djupinlärningsalgoritm för att träna det artificiella intelligenssystemet.

En population av på varandra följande idrottare kommer sedan att rekryteras för att bilda valideringssetet för testet. Dessa idrottare har indikationer för utvärdering för beviljande av tävlingskondition, vilket indikeras av remitterande idrottsläkare. Även i detta fall kommer idrottare i valideringssetet att bedömas enligt riktlinjer och COCIS med lämpliga tester från fall till fall för att utvärdera lämplighet för tävling.

Deltagarna kommer att utsätta idrottare för valideringssetet för artificiell intelligens-modellen för att bedöma noggrannhet, känslighet, specificitet, positivt prediktivt värde, negativt prediktivt värde och AUC i diskriminerande idrottare som bedöms som "passade" från de som bedöms som "olämpliga" för tävlingsaktivitet efter hjärtundersökningar.