动态风险分层加重心力衰竭使用深度学习支持的植入式门诊单导电心电图

科学领域:

• 心脏病学 心脏病学
• 人工智能在医学中的应用
• 医疗器械 医疗器械

背景情况:

• 植入式循环记录器 (ILR) 持续监测心电图 (aECG).
• 来自ILRs的aECGs用于识别恶化的心力衰竭 (HF) 的实用性仍未被探索.
• 早期检测HF恶化对于及时干预和改善患者结果至关重要.

研究的目的:

• 开发和验证使用ILR aECGs的AI算法,以检测减少的左心室喷射率 (LVEF ≤40%).
• 评估这个人工智能算法在现实世界队列中预测HF住院的能力.
• 评估人工智能驱动的aECG分析在识别患有HF恶化风险增加的患者中的性能.

主要方法:

• 在2,247名患者的35,741个aECG上训练了一种AI算法 (aECG-CNN),以识别LVEF≤40%.
• 通过使用接收器操作特征曲线下的面积来验证算法的性能.
• 该aECG-CNN应用于909名HF患者的队列,以预测30天间隔的HF住院情况.

主要成果:

• 人工智能算法成功识别了LVEF ≤40%的患者.
• 在AI识别的高风险患者中,在30天内,HF住院的风险显著增加 (HR1.89,P=0.001).
• 这种预测能力在调整患者人口统计数据后仍然显著 (HR1.88,P=0.002).

结论:

• 在ILR aECGs上训练的AI算法可以有效地检测减少的LVEF.
• 这种人工智能工具可以通过监测HF概率的变化来识别患有HF住院风险增加的患者.
• 基于人工智能的aECG分析为主动高频管理提供了一个有前途的方法.