人工智能衍生出ECG的全球纵向应变与心声回声测量相比

科学领域:

• 心脏病学 心脏病学
• 人工智能在医学中的应用
• 医学成像分析 医学成像分析

背景情况:

• 左心室全球纵向应变 (LVGLS) 是评估心脏功能的关键指标,但很难获得.
• 心力衰竭 (HF) 的诊断和预后依赖于精确评估 LV 缩功能.
• 需要新的,可访问的方法来评估LV缩功能.

研究的目的:

• 为了评估人工智能生成的心电图分数用于LVGLS估计 (ECG-GLS分数).
• 评估ECG-GLS得分在诊断LV缩功能障碍方面的有用性.
• 为了确定心力衰竭患者ECG-GLS得分的预后值.

主要方法:

• 开发了一个深度学习算法 (卷积神经网络) 来从心电图数据中估计LVGLS.
• 使用来自急性HF注册表 (n=1186) 的数据验证了ECG-GLS得分的性能.
• 使用ROC分析评估了ECG-GLS得分识别受损LVGLS (≤12%) 和低LVEF (<40%) 的能力.

主要成果:

• ECG-GLS得分有效识别了LVGLS受损的患者 (AUROC=0.82),并且在识别LVEF<40% (AUROC=0.85对0.83) 的患者时与LVGLS可比.
• 较低的ECG-GLS得分与5年全因死亡率和HF住院病例的增加显著相关.
• 证明ECG-GLS得分是HF患者不良后果的重要独立风险因素.

结论:

• 人工智能生成的ECG-GLS得分是估计LVGLS的实用和有效工具.
• 这一得分显示了诊断 LV 缩功能障碍和预测心力衰竭患者的长期预后的巨大潜力.
• 在临床实践中,ECG-GLS评分可以作为传统LVGLS测量的有价值,可访问的替代方案.