成人および小児用心電図からの深層生存分析：マルチセンターベンチマーク研究

科学分野:

• 心臓病学
• 人工知能
• 医療情報学

背景:

• 心電図（AI-ECG）に適用される人工知能は、死亡予測の可能性を示しています。
• 異種AIアプローチとプライベートデータセットは、効果的なAI方法論に関する一般化可能な洞察を制限します。
• AI-ECGモデルの設計選択を理解するには、多様な医療センターコホート全体での体系的な評価が必要です。

研究 の 目的:

• 死亡予測のためのAI-ECGモデルの設計選択を体系的に評価すること。
• 深層生存およびホライゾンベースの分類法を含むさまざまなAI方法論を比較すること。
• AI-ECGモデルのパフォーマンスに対する人口統計学的共変量とマルチサイトトレーニングの影響を評価すること。

主な方法:

• 深層生存およびホライゾンベースの分類法を使用して、全原因死亡率予測のためのモデルを評価しました。
• 人口統計のみおよび勾配ブースティングベースラインと比較して、さまざまなニューラルアーキテクチャ（CNN、トランスフォーマー）を比較しました。
• MIMIC-IV（米国）、Code-15（ブラジル）、およびBCH（米国）の3つの大規模で多様な医療センターコホートを利用しました。

主要な成果:

• トップAI-ECGモデルは良好な予測パフォーマンスを達成しました（中央値一致率0.78-0.83）。
• 年齢と性別を組み込むことで、すべてのデータセットでパフォーマンスが向上しました。
• マルチサイトトレーニングは、成人および小児のコホート全体でも、サイト固有のトレーニングよりも大幅に優れたパフォーマンスを発揮しました（5-22％の改善）。

結論:

• 深層生存法は、AI-ECG死亡予測においてホライゾンベースの分類法よりも利点を提供します。
• 年齢や性別などの人口統計学的特徴は、予測精度を高めます。
• 堅牢で一般化可能なAI-ECGモデルを開発するには、コホート間トレーニングが不可欠であり、多様な集団に適用できます。