TARGET-AI: un enfoque fundamental para el despliegue específico de la electrocardiografía de inteligencia artificial...

Área de la Ciencia:

• Cardiología
• La inteligencia artificial en la medicina
• Análisis de imágenes médicas

Sus antecedentes:

• La inteligencia artificial (IA) aplicada a los electrocardiogramas (ECG) muestra potencial para la detección de enfermedades cardíacas estructurales (SHD).
• La integración clínica se ve obstaculizada por las altas tasas de falsos positivos y la falta de estrategias de despliegue adaptadas a las herramientas AI-ECG.
• Los métodos existentes carecen de integración de los datos longitudinales de los pacientes para un cribado optimizado.

Objetivo del estudio:

• Desarrollar y evaluar TARGET-AI, una tubería multimodal de IA para el cribado de AI-ECG de SHD.
• Integrar los datos longitudinales de los registros electrónicos de salud (EHR, por sus siglas en inglés) con las imágenes de ECG para un cribado preciso.
• Identificar las intersecciones óptimas de los encuentros de atención médica y los fenotipos de los pacientes para el despliegue de AI-ECG.

Principales métodos:

• Desarrolló TARGET-AI, una tubería que utiliza un modelo de base previamente entrenado en 118 millones de eventos de EHR para la integración de pacientes y la identificación de riesgos.
• Empleado un modelo de lenguaje de visión contrastante entrenado en 754,533 pares de ecocardiograma para detectar SHD con rendimiento ajustable.
• Validación de la estrategia conjunta en una cohorte de 5.198 individuos y externamente en 33.518 participantes del Biobanco del Reino Unido.

Principales resultados:

• El modelo de base AI-ECG discriminó 27 subtipos de SHD con altos AUROC (por ejemplo, 0,90 para la disfunción sistólica del ventrículo izquierdo).
• El cribado guiado por TARGET-AI redujo significativamente las predicciones de falsos positivos (reducción media del 87,8%) y mejoró la puntuación F1 (aumento medio del 0,25) en comparación con el cribado no dirigido.
• La validación externa en el Biobanco del Reino Unido mostró una reducción del 61,7% en los falsos positivos, conservando la sensibilidad.

Conclusiones:

• TARGET-AI permite el despliegue contextual de la detección AI-ECG mediante la integración de los fenotipos del DSE y los datos del ecocardiograma multimodal.
• Este enfoque define una estrategia interoperable y basada en datos para el despliegue preciso de herramientas de detección de IA en los sistemas de salud.
• Los hallazgos apoyan un uso más eficiente y preciso de la IA en el diagnóstico de enfermedades cardíacas estructurales.