AI-ECG用于心力衰竭射血分数降低的时间解析预测
基于心电图深度学习对射血分数降低型心力衰竭的时间分辨预测:一项多国研究
本研究旨在开发和验证一种基于深度学习的心电图(ECG)模型,用于预测未来发生射血分数降低的心力衰竭(HFrEF)的风险。该模型使用原始的12导联心电图数据进行训练,并生成为期5年的个体化、时间分辨的风险估计。
数据来自多个队列,包括中山医院、上海市第十人民医院和贝斯以色列女执事医疗中心,代表了中美两国不同的人群。该模型旨在在明显临床疾病发作之前,识别出HFrEF发病风险升高的个体。
模型的性能通过多个互补指标进行评估,包括区分度、校准度和临床实用性。此外,还进行了可解释性分析,以探索与预测风险相关的心电图特征的生理相关性。
本研究旨在为心力衰竭的早期风险分层提供一个易于获取且可扩展的工具,有望支持及时的临床决策并改善患者预后。
研究概览
地位
详细说明
射血分数降低的心力衰竭(HFrEF)在全球范围内与显著的发病率和死亡率相关,早期识别高危个体仍然是临床面临的主要挑战。 尽管现有的风险模型和生物标志物能够提供预后信息,但由于需要进行实验室检测或影像学检查,以及在不同人群中性能存在差异,它们的应用常常受到限制。
在本研究中,我们利用原始12导联心电图(ECG)数据开发了一种基于深度学习的生存模型,用于预测未来HFrEF的发生。 该模型旨在生成为期5年随访期间个体化的事件发生时间风险估计,从而实现风险轨迹的动态评估,而非静态分类。
该模型使用中山医院的数据进行训练,并在上海第十人民医院和贝斯以色列女执事医疗中心的独立队列中进行外部验证。 这些队列涵盖了广泛的患者群体,包括从无已知心血管疾病的个体到患有多种临床病症的患者,从而能够评估模型在不同医疗系统和人口亚组中的泛化能力。
模型性能通过多种指标进行全面评估,包括一致性指数、时间依赖性受试者工作特征曲线下面积、精确率-召回率曲线下面积、Brier分数、校准分析和决策曲线分析。 风险分层能力通过Kaplan-Meier生存分析进行评估。
为了增强可解释性,采用了基于表示和基于注意力的互补方法。 这些方法包括变分自编码器衍生的潜在特征分析、与传统ECG参数的相关性以及基于梯度的可视化技术,以识别对模型预测有贡献的波形区域。 这些方法旨在确保模型捕捉到与心肌重塑和心功能障碍相关的生理学上有意义的信号。
本研究为观察性和回顾性研究,不涉及任何干预措施。 研究结果旨在支持开发一种非侵入性、成本效益高且易于获取的工具,用于早期检测HFrEF高危个体,对预防策略和个体化临床管理具有潜在意义。
研究类型
注册 (实际的)
联系人和位置
学习地点
-
-
Shanghai Municipality
-
Shanghai、Shanghai Municipality、中国、200436
-
-
参与标准
资格标准
适合学习的年龄
- 成人
- 年长者
接受健康志愿者
取样方法
研究人群
描述
纳入标准:
年龄≥18岁的成年人 接受标准12导联心电图(ECG)检查 接受经胸超声心动图检查并具有可用的左心室射血分数(LVEF)测量值 拥有配对的ECG-超声心动图数据 具备随访评估数据
排除标准:
ECG或超声心动图数据缺失或不完整 ECG记录质量差,不适合分析 模型开发所需的关键临床变量缺失
学习计划
研究是如何设计的?
设计细节
队列和干预
团体/队列 |
|---|
|
总体研究人群
来自三个独立队列(中山医院、上海市第十人民医院、贝斯以色列女执事医疗中心)的参与者接受了标准12导联心电图和超声心动图评估。
这些数据用于开发和外部验证一个深度学习模型,用于预测射血分数降低的心力衰竭(HFrEF)事件发生时间。
由于这是一项基于常规收集临床数据的观察性研究,未分配任何干预措施。
|
研究衡量的是什么?
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
射血分数降低的心力衰竭(HFrEF)事件
大体时间:最长5年
|
发生射血分数降低的心力衰竭(HFrEF),定义为随访期间经胸超声心动图测定的左心室射血分数(LVEF)≤40%。
包括从心电图-超声心动图数据中识别的现有病例和新发病例。
|
最长5年
|
合作者和调查者
研究记录日期
研究主要日期
学习开始 (实际的)
初级完成 (实际的)
研究完成 (实际的)
研究注册日期
首次提交
首先提交符合 QC 标准的
首次发布 (实际的)
研究记录更新
最后更新发布 (实际的)
上次提交的符合 QC 标准的更新
最后验证
更多信息
此信息直接从 clinicaltrials.gov 网站检索,没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求,请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改,我们的网站上也会自动更新.