Внешняя валидация ИИ для выявления сердечной недостаточности с сохраненной фракцией выброса

Недавние исследования показывают, что модели искусственного интеллекта (ИИ), использующие глубокое обучение для анализа эхокардиограмм, могут существенно помочь в выявлении сердечной недостаточности (СН) с сохраненной фракцией выброса (СНсФВ). Однако, несмотря на многообещающие результаты, такие модели требуют дальнейшей валидации, особенно в разнообразных клинических группах, где они могут оказать наибольшее влияние.

В одном из недавних исследований, в котором приняли участие 240 пациентов с СНсФВ и 256 контрольных групп, исследователи сравнили диагностическую эффективность обновленной модели ИИ (EchoGo Heart Failure v2) с существующими клиническими шкалами (H2FPEF и HFA-PEFF). Цель заключалась в определении, насколько точно модель ИИ может идентифицировать СНсФВ по сравнению с традиционными методами. Результаты показали, что модель ИИ обладает схожей дискриминационной способностью и калибровкой с H2FPEF, однако классификация была более точной благодаря меньшему количеству промежуточных оценок, что связано с несовпадением многомерных параметров.

Сердечная недостаточность является распространенным и серьезным заболеванием, затрагивающим около 56,2 миллиона человек по всему миру. Из всех пациентов с СН примерно половина страдает от СНсФВ, что часто остается нераспознанным или неправильно диагностированным из-за недостатка консенсуса в определении этого состояния и сложности диагностики. Эхокардиография играет ключевую роль в оценке пациентов с подозрением на СНсФВ, предоставляя ценную информацию о ремоделировании миокарда и нарушении диастолической функции.

Несмотря на наличие многофакторных клинических шкал, которые показывают обнадеживающие результаты при оценке вероятности СНсФВ, существуют ограничения, особенно в случае неполных или противоречивых данных. До 30% пациентов могут быть классифицированы как “неопределенные” на основании эхокардиографической оценки, что приводит к неопределенности в отношении необходимости дальнейших диагностических тестов.

Модели ИИ, основанные на глубоком обучении, были разработаны с использованием ограниченной информации (один видеоклип эхокардиограммы), и показали отличные результаты в выявлении пациентов с СНсФВ. Однако для понимания их эффективности в сравнении с существующими многофакторными шкалами необходима дополнительная валидация. Исследование, проведенное в Медицинском центре Бет Исраэль Деконесс, показало, что модель ИИ превосходит традиционные клинические шкалы по важным показателям, таким как чувствительность и специфичность.

Результаты данного исследования подтверждают, что интеграция модели ИИ в клинический диагностический процесс может значительно улучшить выявление СНсФВ, особенно в сложных клинических группах. Это также может помочь в определении пациентов с высоким риском неблагоприятных исходов. Важно отметить, что те, у кого был получен положительный результат по модели ИИ, имели в два раза более высокий риск развития серьезных осложнений.

В заключение, внедрение технологий ИИ в диагностику сердечной недостаточности открывает новые горизонты для улучшения результатов лечения и повышения качества жизни пациентов. Необходимость в дальнейших исследованиях и валидации таких моделей остается актуальной, чтобы подтвердить их эффективность в различных клинических условиях и популяциях.

Источник: Nature