Electrocardiografía mejorada por inteligencia artificial para predecir la fibrilación auricular paroxística desde el...

Área de la Ciencia:

• Cardiología Cardiología.
• La inteligencia artificial es la inteligencia artificial.
• La informática médica es la informática médica.

Sus antecedentes:

• La inteligencia artificial (IA) se utiliza cada vez más para detectar la fibrilación auricular paroxística (FA) a partir de electrocardiogramas de ritmo sinusal (ECG-SR).
• El desarrollo de modelos de IA en diferentes instituciones y sistemas de ECG es crucial para una amplia aplicación clínica.
• Los modelos anteriores a menudo carecen de generalizabilidad debido a la heterogeneidad de los datos.

Objetivo del estudio:

• Investigar el impacto de la homogeneidad de los datos y las diferencias del sistema ECG en el rendimiento de los modelos ECG mejorados con IA para la detección de AF.
• Para comparar modelos entrenados desde cero frente a modelos afinados utilizando datos de múltiples instituciones y sistemas de ECG.
• Evaluar la generalizabilidad de los modelos de IA en diferentes formatos de datos de ECG.

Principales métodos:

• Desarrolló modelos de IA utilizando conjuntos de datos SR-ECG a gran escala de dos instituciones con diferentes sistemas de ECG (Nihon Kohden y GE MUSE).
• ECG definidos con etiqueta AF y con etiqueta SR basados en datos de seguimiento clínico.
• Se crearon conjuntos de datos de capacitación y validación distintos, incluidos modelos entrenados desde cero y modelos afinados, y se evaluó el rendimiento utilizando varias resoluciones de ECG y formatos de compresión.

Principales resultados:

• El modelo afinado (F2) entrenado con datos homogéneos del departamento de cardiología logró un alto rendimiento (AUCs que van desde 0.829 a 0.885).
• El modelo afinado (F1) entrenado con datos heterogéneos mostró un rendimiento significativamente menor (las AUC oscilaron entre 0,660 y 0,837).
• El rendimiento del modelo se mantuvo consistente en diferentes formatos de datos de ECG y tipos de compresión.

Conclusiones:

• El ajuste fino de los modelos de IA en conjuntos de datos homogéneos mejora el rendimiento y la generalización para la detección de AF.
• La heterogeneidad de los datos entre instituciones y departamentos impacta negativamente en la precisión del modelo.
• Las variaciones en el formato del sistema ECG tienen un efecto insignificante en el rendimiento de los modelos de IA bien entrenados.