心臓再同期療法の反応予測のための説明可能な心電図のみの深層学習アルゴリズムの外部検証

科学分野:

• 心臓病学
• 人工知能
• 医療診断

背景:

• 心臓再同期療法（CRT）は、不整脈収縮を伴う心不全患者の転帰を改善します。
• しかし、現在のガイドラインによって選択された患者のかなりの部分がCRTに反応しません。
• CRT反応の予測は臨床的な課題のままです。

研究 の 目的:

• 両室ペーシング（BIVP）への反応を予測するための説明可能な深層学習モデルであるFactorECGパイプラインを外部検証すること。
• 新しい患者コホートにおけるFactorECGモデルのパフォーマンスを評価すること。
• 臨床的および心臓画像予測因子の追加価値を調査すること。

主な方法:

• 100万件以上のECGでトレーニングされた深層学習アルゴリズムを使用して、21の説明可能な因子を抽出しました。
• これらの因子を使用して、容量性非反応および不良転帰の予測モデルを開発しました。
• モデルは、バージニア大学の161人のCRT患者で外部検証されました。

主要な成果:

• 機械的ジスマッチ指標を統合した再調整されたFactorECGモデルは、同等のパフォーマンスを示しました（c統計量0.74対0.70）。
• FactorECGモデルは、非反応の予測において左脚ブロック（LBBB）のAHA基準を大幅に上回りました（c統計量0.67対0.51）。
• 両方のモデルを組み合わせることで、反応予測が改善されました（c統計量0.79）。

結論:

• 説明可能なECGのみのFactorECGアルゴリズムは、外部の低リスク集団におけるCRT非反応の予測において良好な一般化を示しました。
• モデルのパフォーマンスは、さまざまなヘルスケア設定で堅牢でした。
• 機械的ジスマッチおよび右心室機能データの統合は、容量性反応予測をさらに強化する可能性があります。