Abstract 4370574: Artificial Intelligence-Enabled Electrocardiography Demonstrates Strong Diagnostic Performance for Diastolic Dysfunction, Heart Failure with Preserved Ejection Fraction, and Left Atrial Enlargement: A Meta-Analysis
Notice bibliographique
Résumé
Introduction: Artificial intelligence (AI)-enabled electrocardiography (ECG) is redefining cardiac diagnostics by uncovering structural and functional abnormalities that human clinicians may not detect. Notably, AI models have shown promise in characterizing left ventricular diastolic dysfunction (LVDD), heart failure with preserved ejection fraction (HFpEF), and left atrial enlargement (LAE). However, the diagnostic performance of these models varies across studies. This meta-analysis evaluates the pooled performance of ECG-based AI models in detecting LVDD, HFpEF, and LAE. Research Question: What is the pooled diagnostic accuracy of AI-enabled ECG models for detecting (1) LVDD, (2) HFpEF, and (3) LAE? Methods: We systematically searched MEDLINE and Embase through May 2025 for studies evaluating AI-based ECG models for the diagnosis of LVDD, HFpEF, or LAE. Studies were included if they reported or allowed derivation of 2×2 confusion matrix data. A bivariate random-effects meta-analysis was conducted to pool sensitivity, specify, and area under the summary receiver operating characteristic (SROC) curve. Heterogeneity was quantified using sample size-adjusted I 2 estimates. Results: ECG-based AI models demonstrated strong diagnostic accuracy for LVDD, HFpEF, and LAE. Seven studies assessed models for detecting LVDD and yielded a pooled sensitivity of 0.82 (95% CI: 0.81–0.84) and a specificity of 0.75 (95% CI: 0.62–0.85), with an area under the SROC curve (AUC) of 0.83. Between-study heterogeneity was minimal, with sample size–adjusted I 2 estimates ranging from 1.5% to 3.1%. For HFpEF, three studies yielded a pooled sensitivity of 0.88 (95% CI: 0.77–0.95) and a specificity of 0.65 (95% CI: 0.42–0.82), with an AUC of 0.86. Between-study heterogeneity was minimal, with sample size–adjusted I 2 estimates ranging from 0.7% to 2.2%. Similarly, for left atrial enlargement (LAE), three studies yielded a pooled sensitivity of 0.83 (95% CI: 0.80–0.85) and a specificity of 0.80 (95% CI: 0.67–0.89), with an AUC of 0.86. Between-study heterogeneity was minimal, with sample size–adjusted I 2 estimated at 1.5%. Conclusion: AI-enabled ECG models demonstrate robust diagnostic performance for detecting LVDD, HFpEF, and LAE, with strong overall accuracy. These findings highlight the potential of AI as a scalable tool to enhance early detection of structural heart disease and support broader adoption of AI-driven screening in clinical practice.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,022 | 0,053 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,012 | 0,038 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».