通过使用可使用心电图的数字语管仪来自动检测减少的射出分数:一个大型队列验证

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 无症状的左心室缩功能障碍 (ALVSD) 影响全球数以百万计的人,往往是晚期诊断的,导致结果不佳.
• 目前的ALVSD检测方法不足,强调需要先进的诊断工具.
• 基于心电图的算法正在成为ALVSD检测的有希望的方法.

研究的目的:

• 开发和验证一个卷积神经网络 (CNN) 模型来检测低射出分数 (EF).
• 为了评估CNN模型的实用性,使用单导电心电图和声心电图数据从数字耳语镜.
• 评估模型在大量患者队列中的表现.

主要方法:

• 一项多中心观察性研究招募了2960名接受心声回声扫描的成年人.
• 数字耳镜捕获患者数据,声心电图在一周内进行.
• 对CNN模型的表现进行了基准对照,与心声回声学EF测量进行了对比,将EF分为正常/轻度降低 (>40%) 或中度/严重降低 (≤40%).

主要成果:

• 在CNN模型中,接收器运行特征曲线下的面积达到0.85.5.
• 关键性能指标包括77.5%的灵敏度,78.3%的特异性,20.3%的积极预测值和98.0%的负预测值.
• 亚组分析证实了不同的人口统计和并发症的一致表现.

结论:

• 采用数字耳语镜的CNN模型提供了一种非侵入性和可扩展的方法,用于早期检测降低EF (≤40%).
• 这种由人工智能驱动的技术有可能使心力衰竭的早期诊断和治疗成为可能.
• 这种工具所促进的早期干预可能会改善患者的治疗结果.