Algoritma EKG AI Mengidentifikasi Disfungsi Sistolik Ventrikel Kiri
Tinggalkan pesan
Algoritma ECG AI mengidentifikasi disfungsi sistolik ventrikel kiri
Pasien yang datang ke ruang gawat darurat (ED) dengan dispnea mengalami disfungsi sistolik ventrikel kiri (LV), menggunakan elektrokardiogram yang dianalisis dengan AI.
Demilade Adedinsewo, MD, peneliti utama di Departemen Kedokteran Kardiovaskular di Mayo Clinic di Jacksonville, Florida, mengatakan kepada Healio: "AI ECG dapat mendeteksi fungsi sistolik ventrikel kiri lebih cepat dan lebih akurat pada pasien dengan sesak napas dibandingkan NT-proBNP. Tingkatkan dan percepat diagnosis departemen gawat darurat dan berikan kesempatan unik untuk mengidentifikasi pasien jantung berisiko tinggi lebih awal dan hubungkan pasien dengan perawatan kardiovaskular yang sesuai."
pasien dengan kesulitan bernapas
Dalam studi retrospektif yang diterbitkan dalam Circulation: Arrhythmias and Electrophysiology, para peneliti menganalisis data dari 1.606 pasien (usia rata-rata 68; 47 persen wanita) antara Mei 2018 dan 2019 Kesulitan bernapas selama 2 bulan. Pasien-pasien ini memiliki setidaknya satu EKG dalam 24 jam dan dalam 30 hari kunjungan UGD mereka. Mereka dengan gagal jantung sistolik, diastolik, atau gagal jantung yang tidak dapat dijelaskan sebelumnya dikeluarkan.
Hasil utama dari penelitian ini adalah identifikasi pasien baru dengan disfungsi sistolik LV (didefinisikan sebagai fraksi ejeksi ventrikel kiri sebesar 35 persen atau kurang) dalam waktu 30 hari kunjungan UGD. Hasil sekunder didefinisikan sebagai pasien dengan fraksi ejeksi ventrikel kiri (LVEF) kurang dari 50 persen yang ditemukan dalam 30 hari setelah presentasi. Kedua hasil ditentukan oleh ECG yang dinilai oleh jaringan pembelajaran mendalam, algoritme AI-ECG yang dikembangkan dan divalidasi untuk mengidentifikasi LVEF 35 persen atau lebih rendah tanpa pengoptimalan atau pelatihan tambahan.
Waktu rata-rata untuk EKG setelah kunjungan UGD adalah 1 hari.
Pada pasien darurat dengan dispnea, area di bawah kurva karakteristik operasi penerima untuk algoritme AI-EKG untuk mengidentifikasi disfungsi sistolik ventrikel kiri yang baru adalah 0.89 (95 persen CI, 0.{{5} }.91). Algoritme memiliki akurasi 85,9 persen (95 persen CI, 84.1-87.6), spesifisitas 87 persen , sensitivitas 74 persen , nilai prediksi positif 40 persen , dan nilai prediksi negatif sebesar 97 persen .
Algoritme juga mampu mengidentifikasi pasien dengan LVEF di bawah 50 persen dengan area di bawah kurva karakteristik operasi penerima 0.85 (95 persen CI, 0.83-0.88 ) dengan akurasi 86 persen (95 persen CI, 84.2-87.7). Ini juga mencapai spesifisitas 91 persen, sensitivitas 63 persen, nilai prediksi positif 62 persen, dan nilai prediksi negatif 92 persen.
Para peneliti juga mengevaluasi panel {{0}} pasien dengan nilai peptida natriuretik tipe B N-terminal yang tersedia. Tingkat NT-proBNP lebih besar dari 800 pg/mL menunjukkan disfungsi sistolik LV baru, dengan area di bawah kurva karakteristik operasi penerima sebesar 0,8 (95 persen CI, 0.76-0.84).
“Studi saat ini bersifat retrospektif, dan studi prospektif diperlukan untuk menilai dampak AI-ECG pada hasil klinis jangka panjang, yang saat ini sedang dievaluasi oleh tim peneliti kami,” kata Adedinsewo dalam sebuah wawancara.
Adedinsewo menambahkan bahwa teknologi tersebut saat ini digunakan di seluruh sistem perawatan kesehatannya. Dia mengatakan kepada Healio: "Alat AI-ECG ini saat ini tersedia di semua situs Mayo Clinic dan dapat diakses melalui sistem rekam medis elektronik kami, selain itu, alat tersebut baru-baru ini diberikan otorisasi penggunaan darurat oleh FDA pada bulan Mei untuk menyaring diagnosis yang dikonfirmasi atau ditinggalkan disfungsi ventrikel pada pasien dengan dugaan novel coronavirus."
Potensi untuk memajukan perawatan pasien
Dalam editorial terkait, Dr. Kazi T. Haq dari Knight Cardiovascular Institute di Oregon Health and Science University di Portland, Oregon, dan rekannya menulis: "Secara keseluruhan, temuan Adedinsewo et al. menunjukkan bahwa— AI menggunakan {{ 0}}lead ECG lead-wire ECG dapat meningkatkan identifikasi serangan baru gagal jantung pada pasien gawat darurat dispnea. Ini adalah strategi yang mudah digunakan dalam praktik klinis dan memiliki potensi untuk meningkatkan perawatan pasien secara signifikan."
