使用人工智能使用自动回声心脏学检测心力衰竭与保存的喷射部分使用人工智能

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 由于不一致的临床和成像特征,检测心力衰竭与保存的喷射分数 (HFpEF) 是具有挑战性的.
• 传统的诊断方法可能是不确定的,需要改进的方法.

研究的目的:

• 开发和验证一种人工智能 (AI) 模型,用于从胸前回声心脏图像视频中检测HFpEF.
• 将AI模型的性能与已建立的临床评分系统进行比较.

主要方法:

• 一个3D卷积神经网络被训练在顶点4室心声图视频上,以分类HFpEF病例与对照.
• 人工智能模型的诊断输出 (HFpEF,没有HFpEF,非诊断) 在一个独立的数据集上进行了评估.
• 性能与心力衰竭协会-预测评估,心声图和尿分数 (HFA-PEFF) 和重度,高血压,心房动,肺高血压,老年和填充压力 (H2FPEF) 分数进行了比较.

主要成果:

• 人工智能模型在培训 (AUC 0.97) 和验证 (AUC 0.95) 数据集中表现出极好的歧视.
• 在独立测试中,人工智能模型保持了高灵敏度 (87.8%) 和特异性 (81.9%),在重新分类不确定的病例方面表现优于临床评分.
• 人工智能识别的HFpEF与死亡风险增加近两倍相关 (HR 1.9).

结论:

• 使用单个心声回声图视频片段的AI模型可以有效地检测HFpEF.
• 与目前的HFpEF检测临床分数相比,AI方法提供了更高的性能.
• 这种人工智能工具可以识别高死亡风险的患者,有助于风险分层.