TARGET-AI:電子医療記録に人工知能の心電図をターゲットに導入するための基本的アプローチ

科学分野:

• 心臓病科
• 医療における人工知能
• 医学画像分析

背景:

• 心電図 (ECG) に適用された人工知能 (AI) は,構造性心疾患 (SHD) のスクリーニングの可能性を示しています.
• 臨床的統合は,高い偽陽性率とAI-ECGツールに合わせた導入戦略の欠如によって妨げられています.
• 既存の方法は,最適化されたスクリーニングのために患者の縦断データを統合していない.

研究 の 目的:

• SHDの標的型AI-ECGスクリーニングのための多式AIパイプラインであるTARGET-AIの開発と評価.
• 正確なスクリーニングのためにECG画像と経路電子健康記録 (EHR) のデータを統合する.
• AI-ECGの導入のための最適な医療経験と患者フェノタイプを特定する.

主な方法:

• 患者の埋め込みとリスクの特定のために1億8000万のEHRイベントで事前に訓練された基盤モデルを使用するパイプラインであるTARGET-AIを開発しました.
• 754,533 EKG-エコーカルジオグラムペアで訓練された対照視言語モデルを使用し,調整可能な性能でSHDを検出しました.
• 5,198人のコホートで共同戦略を検証し,UK Biobankの33,518人の参加者を外部で検証した.

主要な成果:

• AI-ECGの基礎モデルは,高いAUROCを持つ27のSHDサブタイプを差別しました (例えば,左心室収縮機能障害では0. 90).
• TARGET-AIによるスクリーニングは,非ターゲットスクリーニングと比較して,偽陽性予測を大幅に減少させ (中位数87.8%減少),F1スコアを向上させた.
• UK Biobankでの外部検証では,感度が保たれながらも,偽陽性の61. 7%の減少が示されました.

結論:

• TARGET-AIは,EHRのフェノタイプとマルチモダルのECGのデータを統合することにより,AI-ECGスクリーニングの文脈認識の展開を可能にします.
• このアプローチは,医療システムにおける精密なAIスクリーニングツールの導入のための相互運用可能なデータベースの戦略を定義します.
• この発見は,構造的な心臓病の診断において AI のより効率的かつ正確な使用を支持しています.