Prospective validation in a real-world cohort of a deep learning model for left ventricular filling pressure estimation using standard 12-lead ECG
Notice bibliographique
Résumé
Abstract Background Left ventricular filling pressure (LVFP) assessment by echocardiography has proven useful in both the diagnosis and prognosis of cardiovascular disease. However, diagnosis may be compromised because of limited resources or expertise and results may show indeterminate status due to inherent limitation associated with the echocardiographic assessment. Deep learning analysis of electrocardiography (ECG) has demonstrated its ability to identify subtle structural and functional abnormalities within the cardiovascular system. A novel artificial intelligence electrocardiogram (AI-ECG) algorithm to assess LVFP from a 12 leads ECG was developed using open-access databases (training dataset: n=14943), including MIMIC-IV and its derived resources, MIMIC-IV-ECG and MIMIC-IV-ECHO, where each ECG was paired to echocardiography. In the internal validation dataset (n=3889), the model demonstrated an area under the receiver-operating characteristic (AUROC) of 0.88 (95% CI 0.87-0.89) for the assessment of elevated LVFP. Methods This study aims to validate within an external prospective cohort a novel AI-ECG algorithm to assess LVFP. We prospectively enrolled 132 patients hospitalized in a cardiology unit from a tertiary care center with a standard 12-lead ECG and a complete echocardiographic assessment made within 2 hours of each other’s. Results Mean age of the cohort was 68.1 ± 11.4 years old and 23.3% were female. 56.1% of the patients suffer from hypertension and 46.3% from coronary artery disease. Prevalence of elevated LVFP in our cohort was 13.8%. The model accurately identified elevated LVFP with AUROC of 0.81 (95% CI 0.70-0.93). Conclusion A deep learning-enabled ECG demonstrates robust performance in identifying patients with elevated LVFP in a real-world clinical setting. This prospective cohort study demonstrated the feasibility of integrating an AI model as a clinical tool to enhance clinicians' assessment of patients' LVFP status from a simple 12 leads ECG. Our model may be used for various clinical applications such as early detection of heart failure, as well as for monitoring patients with heart failure to guide treatment titration and prevent hospitalization. True positive ECG for elevated LVFP
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 | 0,005 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».