检测和预后分层的左心室缩功能障碍在左捆分支区块使用人工智能启用心电图

科学领域:

• 心脏病学 心脏病学
• 人工智能在医学中的应用
• 医学诊断 医学诊断 医学诊断

背景情况:

• 左捆支部阻塞 (LBBB) 与由于心脏不同步而增加左心室缩功能障碍 (LVSD) 的风险有关.
• 人工智能启用心电图 (AI-ECG) 显示了LVSD检测的潜力,但其在LBBB患者中的有效性需要进一步调查.
• 这项研究研究了经过验证的AI-ECG模型在识别LVSD和预测LBBB患者的结果方面的性能.

研究的目的:

• 评估先前验证的AI-ECG模型在检测LBBB患者的LVSD时的准确性.
• 评估该模型在该患者群体中预测长期心血管结果的能力.
• 确定AI-ECG在管理潜在LVSD的LBBB患者的临床有用性.

主要方法:

• 通过使用经过验证的AI-ECG模型,对2813名患者的5689张LBBB心电图 (ECG) 进行了回顾性分析.
• 左心室缩功能障碍 (LVSD) 被定义为≤40%的喷射分数.
• 模型性能使用AUROC,AUPRC,灵敏度和特异性进行评估. 患者根据风险分层,并使用Kaplan-Meier分析比较临床结果.

主要成果:

• AI-ECG模型在检测LBBB患者的LVSD方面表现强 (AUROC:0.930,AUPRC:0.913).
• 通过该模型识别的高风险患者的全因死亡率,器械植入和心血管住院率显着更高.
• 该模型实现了高灵敏度 (0.979) 但适度的特异性 (0.473) 检测LVSD.

结论:

• AI-ECG模型 (AiTiALVSD) 在诊断LBBB患者的LVSD方面是有效的.
• 该模型成功地分层了长期的心血管风险,表明其对早期检测和患者管理的临床价值.
• 这种AI-ECG工具支持改善LBBB患者的临床决策.