الگوریتم Ecg AI می تواند اختلال عملکرد سیستولیک بطن چپ را شناسایی کند

اختلال عملکرد سیستولیک بطن چپ (LV) در بیمارانی که با تنگی نفس با استفاده از الکتروکاردیوگراف آنالیز شده با هوش مصنوعی به اورژانس (ED) مراجعه کردند، مشاهده شد.

محقق ارشد Demilade Adedinsewo، MD، از بخش پزشکی قلب و عروق در کلینیک Mayo در جکسونویل، فلوریدا، به Healio گفت: "ECG AI می تواند عملکرد سیستولیک بطن چپ را در بیماران مبتلا به تاکی پنه سریعتر و دقیقتر از NT-proBNP تشخیص دهد. ممکن است بهبود یابد و تسریع تشخیص در بخش اورژانس و ایجاد فرصتی منحصر به فرد برای شناسایی زودهنگام بیماران در معرض خطر بالای بیماری قلبی و پیوند بیماران با مراقبت های قلبی عروقی مناسب."

بیمارانی که مشکلات تنفسی دارند

در مطالعه گذشته نگر که در Circulation: Arrhythmias and Electrophysiology منتشر شد، محققان داده های 1606 بیمار (سن متوسط، 68؛ 47 درصد از زنان) را بین ماه مه 2018 تا فوریه 2019 با مشکل تنفسی تجزیه و تحلیل کردند. این بیماران حداقل یک نوار قلب در عرض 24 ساعت داشتند. و 30 روز از ارائه ED آنها. بیماران با تشخیص قبلی نارسایی سیستولیک، دیاستولیک یا نارسایی قلبی غیرقابل توضیح از مطالعه خارج شدند.

نتیجه اولیه این مطالعه کشف اختلال جدید سیستولیک LV (تعریف شده به عنوان کسر جهشی بطن چپ 35 درصد یا کمتر) در بیماران طی 30 روز پس از ارائه ED بود. پیامدهای ثانویه به عنوان بیمارانی تعریف شد که کسر جهشی بطن چپ (LVEF) کمتر از 50 درصد در 30 روز پس از مراجعه مشاهده شد. هر دو نتیجه توسط ECG ارزیابی شده توسط شبکه یادگیری عمیق، یک الگوریتم AI-ECG که برای شناسایی LVEFهای 35 درصد یا کمتر بدون بهینه‌سازی یا آموزش اضافی توسعه و تأیید شده است، تعیین می‌شوند.

زمان متوسط ​​معاینه ECG پس از ارائه ED 1 روز بود.

در بیماران مبتلا به تنگی نفس در بخش اورژانس، ناحیه زیر منحنی مشخصه عملکرد گیرنده (AUC) الگوریتم AI-ECG برای شناسایی اختلال عملکرد سیستولیک جدید بطن چپ 0.89 (95 درصد CI، 0) بود. .86-0.91). دقت الگوریتم 85.9 درصد (95 درصد CI، 841-87.6)، ویژگی 87 درصد، حساسیت 74 درصد، ارزش اخباری مثبت 40 درصد و ارزش اخباری منفی 97 درصد بود. .

این الگوریتم همچنین قادر به شناسایی بیماران با LVEF کمتر از 50 درصد با ناحیه زیر منحنی مشخصه عملکرد گیرنده 85.85 (95 درصد فاصله اطمینان (CI, 0.{5}}) 0 بود. 88) و دقت 86 درصد (95 درصد CI، 842-87.7).

این الگوریتم همچنین قادر به شناسایی بیماران با LVEF کمتر از 50 درصد با ناحیه زیر منحنی مشخصه عملکرد گیرنده 85.85 (95 درصد فاصله اطمینان (CI, 0.{5}}) 0 بود. 88) و دقت 86 درصد (95 درصد CI، 842-87.7). همچنین به 91 درصد ویژگی، 63 درصد حساسیت، 62 درصد ارزش اخباری مثبت و 92 درصد ارزش اخباری منفی دست یافت.

محققان همچنین پانلی از {{0}} بیماران را با مقادیر پپتید ناتریورتیک نوع B در دسترس ارزیابی کردند. سطح NT-proBNP بیشتر از 800 pg/mL نشان دهنده یک اختلال عملکرد سیستولیک LV جدید است، با ناحیه زیر منحنی مشخصه عملکرد گیرنده 0.8 (95 درصد فاصله اطمینان (CI, 0.84).{9}}. ).

Adedinsewo در مصاحبه ای گفت: "مطالعه فعلی گذشته نگر بود." مطالعات آینده نگر برای ارزیابی تاثیر AI-ECG بر نتایج بالینی طولانی مدت مورد نیاز است که در حال حاضر توسط تیم تحقیقاتی ما در حال ارزیابی است.

Adedinsewo افزود که این فناوری در حال حاضر در سراسر سیستم مراقبت های بهداشتی او استفاده می شود. او به Healio گفت: «ابزار AI-ECG در حال حاضر در تمام سایت‌های کلینیک Mayo در دسترس است و از طریق سیستم پرونده الکترونیک پزشکی ما قابل دسترسی است. "علاوه بر این، این ابزار اخیراً مجوز استفاده اضطراری را از طریق FDA در ماه مه برای غربالگری بیماران مبتلا به کووید تأیید شده یا مشکوک-19 از نظر اختلال عملکرد بطن چپ دریافت کرد."

پتانسیل پیشرفت مراقبت از بیمار

دکتر KaziT.Haq از موسسه قلب و عروق نایت در دانشگاه علوم و بهداشت اورگان در پورتلند، اورگان و همکارانش در سرمقاله‌ای می‌نویسند: «به طور کلی، یافته‌های Adedinsewo و همکاران نشان می‌دهد که هوش مصنوعی با استفاده از استاندارد {{0} }ECG سرب میزان تشخیص نارسایی قلبی جدید را در بیماران مبتلا به تنگی نفس در بخش اورژانس بهبود می بخشد. این یک استراتژی است که به راحتی در عمل بالینی قابل استفاده است و پتانسیل بهبود قابل توجه مراقبت از بیمار را دارد."