AI-EKG för tidsupplöst prediktion av HFrEF

Hjärtsvikt med reducerad ejektionsfraktion (HFrEF) är associerad med betydande sjuklighet och dödlighet världen över, och tidig identifiering av individer i riskgrupp förblir en stor klinisk utmaning. Även om befintliga riskmodeller och biomarkörer kan ge prognostisk information är deras tillämpning ofta begränsad av behovet av laboratorietester eller avbildning, samt variation i prestanda mellan olika populationer.

I denna studie utvecklar vi en djupinlärningsbaserad överlevnadsmodell som använder rådata från 12-avlednings elektrokardiogram (EKG) för att förutsäga framtida insjuknande i HFrEF. Modellen är utformad för att generera individualiserade, tidsberoende riskuppskattningar över en 5-års uppföljningsperiod, vilket möjliggör dynamisk bedömning av riskförlopp istället för statisk klassificering.

Modellen tränas på data från Zhongshan-sjukhuset och valideras externt i oberoende kohorter från Shanghai Tenth People's Hospital och Beth Israel Deaconess Medical Center. Dessa kohorter inkluderar ett brett spektrum av patienter, från individer utan känd hjärt-kärlsjukdom till de med olika kliniska tillstånd, vilket möjliggör utvärdering av modellens generaliserbarhet över olika hälso- och sjukvårdssystem och demografiska undergrupper.

Modellens prestanda bedöms omfattande med flera mått, inklusive konkordansindex, tidsberoende area under mottagaroperatorkarakteristikkurvan, area under precisions-återkallningskurvan, Brier-poäng, kalibreringsanalys och beslutskurveanalys. Riskstratifieringsförmågan utvärderas med Kaplan-Meiers överlevnadsanalys.

För att förbättra tolkbarheten tillämpas kompletterande representationsbaserade och uppmärksamhetsbaserade metoder. Dessa inkluderar latent egenskapsanalys härledd från variationell autoencoder, korrelation med konventionella EKG-parametrar och gradientbaserade visualiseringstekniker för att identifiera vågformsregioner som bidrar till modellens förutsägelser. Dessa tillvägagångssätt syftar till att säkerställa att modellen fångar fysiologiskt meningsfulla signaler associerade med myokardiell ommodellering och hjärtdysfunktion.

Denna studie är observationell och retrospektiv till sin natur och involverar inga interventioner. Resultaten syftar till att stödja utvecklingen av ett icke-invasivt, kostnadseffektivt och allmänt tillgängligt verktyg för tidig upptäckt av individer i riskzon för HFrEF, med potentiella implikationer för förebyggande strategier och individualiserad klinisk hantering.