rECHOmmend:心電図ベースの機械学習アプローチで,心電図で検出可能な未診断の構造性心疾患のリスクが高い患者を特定する

科学分野:

• 心臓病科
• 人工知能
• 医療診断

背景:

• 構造性心疾患 (SHD) の診断は,患者のアウトカムにとって極めて重要ですが,しばしば遅れています.
• 人口全体のエコーカルディオグラフィースクリーニングは,SHDでは非実用的です.
• 心電図 (ECG) ベースの予測モデルは,高リスクの個人を特定するためのスケーラブルなソリューションを提供します.

研究 の 目的:

• 複数の構造的な心疾患を予測するための新しい心電図ベースの機械学習モデルを開発し,検証する.
• 複合的な予測モデルが,ターゲットエコーカルディオグラフィの有病率とポジティブな予測値を改善すると仮定する.
• 診断されていないSHDの患者の特定におけるECGの実用的な有用性を高める.

主な方法:

• 48万4765人の成人の心電図で機械学習モデルを訓練した (1984-2021年).
• 中度重症の弁疾患,エジェクション分数減少 (< 50%),または間隔壁の厚さ増加 (> 15 mm) を含む複合ラベルを使用した.
• クロス・バリデーション,マルチサイト・バリデーション (10つの独立したサイト),シミュレートされた遡及展開を用いてモデルを評価した.

主要な成果:

• 複合RECHOmmendモデル (年齢,性別,心電図の痕跡) は,90%の感度で42%の陽性予測値で0.91のAUCを達成した.
• 個々の疾患モデルでは,AUCは0. 86- 0. 93であったが,陽性予測値は低かった (1 - 31%).
• マルチサイト検証により,モデルの一般化が確認された (AUC 0. 91); 遡及的な展開では,4. 5%の患者が後にSHDを発症する高リスクであると確認された.

結論:

• ECGベースの機械学習モデルは,複合エンドポイントで,診断されていないSHDの高リスク患者を効果的に特定します.
• この複合モデルは単一疾患モデルを上回り 実践的なスクリーニングでより高いポジティブな予測値を提供します.
• このアプローチは,構造的な心臓病の診断不足に対処する,標的型エコーカルディオグラフィを容易にする.