AI-baserad förutsägelse av hjärtfunktion med ekokardiografi och kroppssammansättningsdata (Echo-FIT-studie) (ECHO-FIT)

Bakgrund och skäl:

Hjärtsvikt representerar en betydande global hälsobördan, kännetecknad av hög sjuklighet och dödlighet. Medan ekokardiografi förblir guldstandarden för diagnos och övervakning av hjärtsvikt, som ger avgörande mätningar som vänster ventrikulär ejektionsfraktion (LVEF) och diastolisk funktionsbedömning, är dess utbredda implementering begränsad av resursbegränsningar och operatörsberoende. Bioelektrisk impedansanalys (BIA) erbjuder ett lovande kompletterande tillvägagångssätt, vilket ger snabb och icke-invasiv bedömning av kroppssammansättningsparametrar som har visat korrelationer med hjärt-kärlresultat. Denna studie syftar till att utnyttja den potentiella synergin mellan ekokardiografiska fynd och kroppssammansättningsdata för att utveckla ett mer tillgängligt screeningverktyg för hjärtdysfunktion.

Studiemål:

• Primär: Att utveckla och validera en prediktiv modell för vänster ventrikulär funktion genom att integrera kroppssammansättningsdata från QCCUNIQ BC 720 -enheten med standardekokardiografiska parametrar.

• Sekundär:

  • För att undersöka korrelationer mellan kroppssammansättningsindex och ekokardiografiska mätningar
  • För att utvärdera användbarheten av kroppssammansättningsanalys vid identifiering av kardiovaskulära patienter med hög risk
  • För att bedöma modellens potential som ett screeningverktyg i resursbegränsade inställningar

Metodik:

Denna enskilda, prospektiva observationsstudie kommer att registrera 2 000 vuxna (≥20 år) som genomgår rutinmässig ekokardiografi, lika uppdelad mellan de med normal hjärtfunktion (LVEF ≥50%) och hjärtsvikt (LVEF <50%). Deltagarna kommer att genomgå kroppskompositionsanalys med QCCUNIQ BC 720 -enheten inom en vecka efter sitt ekokardiogram.

Datainsamling och analys:

Omfattande datainsamling kommer att inkludera standardekokardiografiska parametrar (LVEF, diastolisk funktion, strukturella mätningar) och detaljerad kroppssammansättningsanalys (fettmassa, skelettmuskelmassa, totalt kroppsvatten). Statistisk analys kommer att använda både traditionella regressionsmetoder och avancerade maskininlärningsalgoritmer för att utveckla den prediktiva modellen. Modellvalidering kommer att använda K-Fold korsvalidering, med prestanda bedömd genom standardmetriker inklusive känslighet, specificitet och område under kurvan (AUC).