人工智能增强的心电图分析作为预测阻塞性冠状动脉疾病的有前途工具,可用于稳定性 angina 的患者
Jiesuck Park1,2, Joonghee Kim3,4, Si-Hyuck Kang1,2
1Department of Cardiology, Seoul National University Bundang Hospital, Gumi-ro 173beon-gil, Bundang-gu, Seongnam-si, Gyeonggi-do 13620, Republic of Korea.
European heart journal. Digital health
|July 31, 2024
概括
人工智能 (AI) 对心电图 (ECG) 的分析可以预测稳定性 angina 的患者的阻塞性冠状动脉疾病 (CAD). 这种人工智能工具显示了使用心电图数据诊断CAD的可行性和临床实用性.
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:
- 对阻塞性冠状动脉疾病 (CAD) 基于人工智能的心电图分析的临床可行性在大型稳定性胸痛队列中缺乏验证.
- 准确预测阻塞性CAD对于及时干预和改善患者结果至关重要.
研究的目的:
- 为了验证基于AI的定量心电图 (QCG) 分析的临床可行性,以预测患有稳定性胸痛的患者的阻塞性和广泛性CAD.
- 评估QCG风险评分的预测性能与已确定的临床风险因素相比.
主要方法:
- 开发了一个深度学习框架用于QCG分析,对来自21000多名患者的5万多个心电图进行了培训.
- 稳定心痛患者的内部和外部验证队列 (n=4517) 接受了冠状动脉成像,以评估阻塞性CAD.
- 获得QCG风险得分 (QCGObstCAD和QCGExtCAD) 并与侵入性/CT血管学发现和临床风险因素进行比较.
主要成果:
- QCG得分与阻塞性和广泛性CAD的存在和严重程度有显著的相关性 (P < 0.001).
- QCGObstCAD对阻塞性CAD (AUCs 0.731-0.781) 和严重阻塞性CAD (AUCs 0.780-0.786) 的预测能力良好.
- QCG评分提供了超越传统风险因素的CAD独立和增量预测价值.
结论:
- 以人工智能为基础的QCG分析在临床上是可行的,用于预测稳定性胸痛患者的阻塞性CAD.
- 该QCG工具在识别阻塞性和广泛的CAD方面表现强,包括严重的狭窄和多血管疾病.
- QCG分析提供了一个有希望的,非侵入性的方法来增强CAD风险分层.
