人工知能を搭載した心電図を用いて,左心室内静脈機能不全の左束分岐ブロックの検出と予後分層化

科学分野:

• 心臓病学 心臓病学
• 医療における人工知能
• 医療診断 医療診断

背景:

• 左括弧分岐ブロック (LBBB) は,心不協和性による左心室内静脈機能不全 (LVSD) のリスクの増加と関連しています.
• 人工知能対応心電図 (AI-ECG) は,LVSDの検出の可能性を示していますが,LBBB患者での有効性はさらなる調査を必要としています.
• この研究では,LVSDを特定し,LBBB患者のアウトカムを予測する検証されたAI-ECGモデルのパフォーマンスを調査しました.

研究 の 目的:

• LBBB.患者におけるLVSDの検出において,以前に検証されたAI-ECGモデルの正確性を評価する.
• この患者集団における長期的な心血管疾患の結果を予測するモデルの能力を評価する.
• 潜在的なLVSDを有するLBBB患者の管理のためのAI-ECGの臨床的有用性を決定する.

主な方法:

• 検証されたAI-ECGモデルを使用して,2,813人の患者の5,689個のLBBB電動心臓図 (ECG) の遡及分析が行われました.
• 左心室シストリック機能不全 (LVSD) は,エジェクション分数 ≤40%として定義されました.
• モデルの性能は,AUROC,AUPRC,感度,および特異性を使用して評価されました. 患者はリスクによって階層化され,臨床結果はKaplan-Meier分析を用いて比較されました.

主要な成果:

• AI-ECGモデルは,LBBB患者におけるLVSDの検出に優れたパフォーマンスを示しました (AUROC: 0.930,AUPRC: 0.913).
• モデルによって特定された高リスク患者は,あらゆる原因による死亡率,デバイスインプラント,および心血管疾患の入院率が著しく高かった.
• このモデルは,高感度 (0.979) を達成したが,LVSD検出では中程度の特異性 (0.473) を達成した.

結論:

• AI-ECGモデル (AiTiALVSD) は,LBBB患者におけるLVSDの診断に有効です.
• このモデルは,長期的な心血管疾患のリスクを成功裏に分層化し,早期発見と患者の管理のための臨床的価値を示しています.
• このAI-ECGツールは,LBBB患者の改善された臨床意思決定をサポートします.