AI-stödd elektrokardiogram-styrd riktlinjebaserad medicinsk behandling vid incident dysfunktion i vänster kammare: En målstudieemulering

Denna retrospektiva, multicentriska studie använde elektroniska medicinska journaler (EMR) från ett nationellt hälso- och sjukvårdssystem i Taiwan, som omfattade ett akademiskt medicinskt centrum och sju regionala sjukhus. Studieperioden sträckte sig från januari 2016 till december 2024. Kliniska data inkluderade demografi, komorbiditeter, läkemedelsordinationer, 12-avlednings elektrokardiogram och resultat från transtorakal ekokardiografi.

En artificiell intelligens-baserad elektrokardiografimodell (AI-EKG) utvecklades för att upptäcka vänsterkammardysfunktion (VKD) med hjälp av över 50 000 parade EKG-ekokardiograminspelningar som erhållits inom ett 7-dagarsintervall. Modellarkitekturen bestod av ett 82-lagers konvolutionellt neuralt nätverk som inkluderade en uppmärksamhetsmekanism för att fånga framträdande temporala och morfologiska EKG-egenskaper. Den slutliga modellen tillämpades oförändrad på studiepopulationen för riskstratifiering.

Alla berättigade patienter hade bevarad vänsterkammarejektionsfraktion (VKEF) vid baslinjen. Baserat på AI-EKG-förutsägelser vid studiestart klassificerades patienter som modellen bedömde ha VKD trots normal VKEF vid baslinjen som AI-EKG-högriskgruppen, medan de som förutsågs inte ha VKD klassificerades som AI-EKG-lågriskgruppen. Det primära utfallet var incident funktionell nedgång av vänsterkammaren, definierad som en minskning av VKEF till ≤40 % vid uppföljningsekokardiografi.

Kandidatpreventiva terapier, inklusive angiotensinkonverterande enzymhämmare (ACE-hämmare) eller angiotensin II-receptorblockerare (ARB), betablockerare och natrium-glukos cotransporter 2-hämmare (SGLT2-hämmare) screendades först genom att utvärdera deras individuella och kombinerade ordinationsmönster och deras associationer med det primära utfallet. Den mest lovande terapin som identifierades i denna screeningsfas bedömdes därefter med hjälp av ett målprövningsefterlikningsramverk. Specifikt jämfördes nyinitierad användning av kandidatterapin med icke-användning för att efterlikna en randomiserad kontrollerad studie, och därmed uppskatta effekten av tidig preventiv behandling på incident VKEF-nedgång med hjälp av observationsdata från verkliga världen.

Forskarna förutbestämda analytiska metoder för att uppskatta kausala kontraster med hjälp av tid-till-händelseanalyser som är lämpliga för observationsdata, efter efterlikning av slumpmässig behandlingstilldelning. Förutbestämda sensitivitetsanalyser genomfördes för att bedöma resultatens robusthet över olika kliniska miljöer, komorbiditetsprofiler, samtidiga terapier och alternativa AI-EKG-risktrösklar.