KI-gestützte EKG-Analyse zur Vorhersage von Herzinsuffizienz-Subtypen
Von KI ausgewählt und zusammengefasst
Worum es geht
Entwicklung und externe Validierung eines Deep-Learning-Modells zur Vorhersage des 10-Jahres-Risikos für Herzinsuffizienz mit erhaltener vs. reduzierter Ejektionsfraktion anhand von Ruhe-EKGs an drei US-amerikanischen Zentren.
Ergebnis
ECG2HF-Subtype zeigte konsistente Diskriminationsfähigkeit für HFrEF-Risiko (AUC 0,88–0,89 über die drei Zentren, kumulative Inzidenz 1,73–2,23 %) und HFpEF-Risiko (AUC 0,79–0,83, kumulative Inzidenz 2,75–3,49 %). Gegenüber klinischen Variablen allein zeigte das KI-Modell bessere Diskriminationsfähigkeit für HFrEF (AUC 0,86 vs. 0,78 für PREVENT-HF-Variablen).
Übertragbarkeit auf Deutschland
USA-Studie, aber klinische Validierbarkeit des Ansatzes unabhängig von System übertragbar.
Originalstudie in PubMedIm Hub ansehenNeue Studien per E-Mail
Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.