人工智能用于检测心力衰竭的外部验证,使用保存的喷射分数检测心力衰竭

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:

• 在临床实践中,常常没有充分认识到心力衰竭与保存的喷射分数 (HFpEF).
• 分析心电图的深度学习人工智能模型为改善HFpEF识别提供了潜力.
• 在不同的临床队列中进行广泛的验证对于AI模型实用性至关重要.

研究的目的:

• 将更新的AI HFpEF模型 (EchoGo Heart Failure v2) 的诊断性能和预后关联与已建立的临床分数 (H2FPEF,HFA-PEFF) 进行比较.
• 在将AI与现有分数集成时,评估临床实用性和对管理决策的影响.
• 评估AI识别的HFpEF在预测不良结果中的预后价值.

主要方法:

• 一项涉及240名HFpEF患者和256名匹配对照者的比较研究.
• 诊断性能指标的评估:歧视,校准和分类.
• 评估与死亡率和HF住院的预后关联.

主要成果:

• 人工智能HFpEF模型和H2FPEF评分表现出类似的歧视和校准.
• 与H2FPEF和HFA-PEFF相比,AI表现出更高的分类,中间分数较少.
• 人工智能模型的输出提供了超越H2FPEF的额外预测信息,集成改善了管理决策.
• 人工智能阳性结果与不良综合结果的风险增加两倍相关.

结论:

• 将AI HFpEF模型集成到临床工作流程中可以增强复杂患者群体中的HFpEF识别.
• 人工智能模型提高了诊断准确度和不良结果的风险分层.
• 人工智能驱动的心声回声图分析对推进HFpEF诊断和患者管理具有重大前景.