Ekg AI-algoritme kan identificere venstre ventrikulær systolisk dysfunktion

Venstre ventrikulær (LV) systolisk dysfunktion blev fundet hos patienter, der kom til skadestuen (ED) med dyspnø ved hjælp af AI-analyserede elektrokardiografer.

Lead investigator Demilade Adedinsewo, MD, fra Department of Cardiovascular Medicine ved Mayo Clinic i Jacksonville, Florida, fortalte Healio: "AI-EKG kan detektere venstre ventrikulær systolisk funktion hos patienter med takypnø hurtigere og mere præcist end NT-proBNP. Det kan forbedre og fremskynde diagnosticering i akutmodtagelsen og give en unik mulighed for at identificere patienter med høj risiko for hjertesygdom tidligere og knytte patienter til passende hjerte-kar-behandling."

Patienter med åndedrætsbesvær

I den retrospektive undersøgelse, offentliggjort i Circulation: Arrhythmias and Electrophysiology, analyserede forskere data fra 1.606 patienter (medianalder, 68; 47 procent af kvinderne) havde åndedrætsbesvær mellem maj 2018 og februar 2019. Disse patienter havde mindst ét ​​EKG inden for 24 timer og 30 dage efter deres ED-præsentation. Patienter med en tidligere diagnose af systolisk, diastolisk eller uforklarlig hjerteinsufficiens blev ekskluderet.

Det primære resultat af denne undersøgelse var opdagelsen af ​​ny LV systolisk dysfunktion (defineret som en venstre ventrikulær ejektionsfraktion på 35 procent eller mindre) hos patienter inden for 30 dage efter ED-præsentation. Sekundære resultater blev defineret som patienter, hvis venstre ventrikulære ejektionsfraktion (LVEF) viste sig at være mindre end 50 procent inden for 30 dage efter præsentationen. Begge resultater bestemmes af EKG'et evalueret af deep Learning Network, en AI-EKG-algoritme, der er udviklet og valideret til at identificere LVEF'er på 35 procent eller lavere uden yderligere optimering eller træning.

Mediantiden til EKG-undersøgelse efter ED-præsentation var 1 dag.

Hos patienter med dyspnø på skadestuen var området under modtagerens operationskarakteristiske kurve (AUC) for AI-EKG-algoritmen til identifikation af ny venstre ventrikulær systolisk dysfunktion 0.89 (95 procent CI, 0 .86-0.91). Nøjagtigheden af ​​algoritmen var 85,9 procent (95 procent CI, 841-87.6), specificiteten var 87 procent, sensitiviteten var 74 procent, den positive prædiktive værdi var 40 procent, og den negative prædiktive værdi var 97 procent .

Algoritmen var også i stand til at identificere patienter med LVEF lavere end 50 procent med et areal under modtagerens funktionskarakteristiske kurve på 0.85(95 procent CI, 0.83-0. 88) og en nøjagtighed på 86 procent (95 procent CI, 842-87,7).

Algoritmen var også i stand til at identificere patienter med LVEF lavere end 50 procent med et areal under modtagerens funktionskarakteristiske kurve på 0.85(95 procent CI, 0.83-0. 88) og en nøjagtighed på 86 procent (95 procent CI, 842-87,7). Dette opnåede også 91 procent specificitet, 63 procent sensitivitet, 62 procent positiv prædiktiv værdi og 92 procent negativ prædiktiv værdi.

Forskerne evaluerede også et panel af {{0}} patienter med tilgængelige N-terminale B-type natriuretiske peptidværdier. Et niveau af NT-proBNP større end 800 pg/mL indikerede en ny LV systolisk dysfunktion med et område under modtagerens funktionskarakteristiske kurve på 0,8 (95 procent CI, 0.76-0.84 ).

"Den nuværende undersøgelse var retrospektiv," sagde Adedinsewo i et interview. "Prospektive undersøgelser er nødvendige for at vurdere virkningen af ​​AI-EKG på langsigtede kliniske resultater, som i øjeblikket evalueres af vores forskerhold."

Adedinsewo tilføjede, at teknologien i øjeblikket bliver brugt i hele hendes sundhedssystem. "AI-EKG-værktøjet er i øjeblikket tilgængeligt på alle Mayo Clinic-steder og er tilgængeligt via vores elektroniske sygejournalsystem," fortalte hun til Healio. "Derudover blev værktøjet for nylig tildelt nødbrugstilladelse gennem FDA i maj til at screene patienter med bekræftet eller formodet COVID-19 for venstre ventrikulær dysfunktion."

Potentialet til at fremme patientbehandlingen

I en ledsagende leder skriver Dr. KaziT.Haq fra Knight Cardiovascular Institute ved Oregon Health and Science University i Portland, Oregon, og kolleger: "Samlet set tyder resultaterne af Adedinsewo et al. på, at AI bruger en standard {{0} }lead EKG forbedrer genkendelseshastigheden af ​​ny hjertesvigt hos patienter med dyspnø i akutmodtagelsen. Dette er en strategi, der er nem at bruge i klinisk praksis og har potentiale til at forbedre patientbehandlingen væsentligt."