Cribado de ECG habilitado por inteligencia artificial para LVSD en LBBB: Evaluar el desarrollo de modelos y enfoques...

Área de la Ciencia:

• Cardiología
• Inteligencia artificial
• Diagnóstico médico

Sus antecedentes:

• El bloqueo de la rama del haz izquierdo (LBBB) es un hallazgo común en el ECG relacionado con la disfunción sistólica ventricular izquierda (LVSD).
• El análisis AI-ECG muestra potencial para el cribado de LVSD, pero el tipo de modelo óptimo para pacientes con LBBB no está claro.

Objetivo del estudio:

• Evaluar cuatro modelos de AI-ECG para la detección de LVSD en pacientes con LBBB.
• Evaluar el impacto de las diferentes estrategias de datos de formación en el rendimiento del modelo.

Principales métodos:

• Desarrolló cuatro modelos AI-ECG: general, específico de LBBB (automatizado / experto) y aprendizaje de transferencia.
• Entrenado en más de 364.000 ECGs; validado externamente en 1.334 ECGs de pacientes con LBBB.
• Evaluación del rendimiento mediante AUROC, sensibilidad y especificidad.

Principales resultados:

• El aprendizaje de transferencia (AUROC 0.903) y los modelos generales de AI-ECG (AUROC 0.899) mostraron un alto rendimiento comparable.
• Los modelos específicos de LBBB tenían AUROCs más bajos (0.879, 0.841).
• El modelo general sobresale en sensibilidad; el modelo de transferencia de aprendizaje en especificidad.

Conclusiones:

• Un modelo amplio de AI-ECG es confiable para la detección de LVSD en pacientes con LBBB.
• El aprendizaje de transferencia ofrece una mejora marginal sin conjuntos de datos especializados de LBBB.
• La validación en diversas poblaciones clínicas es crucial para las herramientas AI-ECG.