EKG-Deep-Learning-Algorithmus sagt Mortalität nach einer Operation voraus

OBERSTEN ZEILE:

Ein Deep-Learning-Algorithmus mit künstlicher Intelligenz (KI), der präoperative EKGs interpretiert, kann das Risiko für einen postoperativen Tod bei Patienten identifizieren, die sich Herzoperationen, nichtkardialen Operationen und interventionellen Eingriffen unterziehen, wie eine große neue Studie zeigte. Der Algorithmus war bei der Identifizierung von Hochrisikopatienten, bei denen postoperative Mortalität auftrat, wirksamer als ein weit verbreitetes Risikotool.

METHODIK:

• Forscher bewerteten die Leistung eines KI-Algorithmus (PreOpNet), der auf präoperativen EKGs bei 36.839 Patienten im Durchschnittsalter von 65 Jahren trainiert wurde, die sich von 2015 bis 2019 Eingriffen am Cedars-Sinai Medical Center (CSMC) unterzogen und bei denen mindestens ein 12-Kanal-EKG durchgeführt wurde 30 Tage vor dem Eingriff.
• Das Hauptergebnis war die Mortalität nach Herzoperationen, nichtkardialen Operationen und Eingriffen, die im Katheterlabor oder in der Endoskopie-Abteilung bis zu 30 Tage nach dem Eingriff durchgeführt wurden.
• Die Forscher verglichen die Leistung von PreOpNet mit dem Revised Cardiac Risk Index (RCRI), einem etablierten Risikorechner, der präoperative klinische Merkmale aus elektronischen Krankenakten nutzt.
• Um die Genauigkeit von PreOpNet in Krankenhäusern mit unterschiedlichen Patientenpopulationen zu beurteilen, wandten die Forscher den Algorithmus auf Kohorten aus zwei separaten externen Gesundheitssystemen an: Stanford Healthcare (SHC) und Columbia University Medical Center (CUMC).

WEGBRINGEN:

• Der Algorithmus unterschied die Mortalität mit einer Fläche unter der Kurve (AUC) von 0,83 (95 %-KI 0,79–0,87) im Vergleich zum herkömmlichen RCRI (AUC 0,67; 95 %-KI 0,61–0,72).
• Patienten, bei denen durch das Deep-Learning-Modell ein hohes Risiko festgestellt wurde, hatten ein unbereinigtes Odds Ratio (OR) für die postoperative Mortalität von 9,17 (95 %-KI: 5,85–13,82), verglichen mit einem unbereinigten OR von 2,08 (0,77–3,50) für RCRI-Scores von mehr als 2, ein Indikator für ein hohes Risiko.
• PreOpNet zeigte eine ähnliche Leistung bei der Unterscheidung der Mortalität bei Patienten, die sich einer kardiovaskulären Operation unterzogen (AUC, 0,85; 95 %-KI, 0,77–0,92) und bei Patienten, die sich einer nichtkardialen Operation unterzogen (AUC, 0,83; 95 %-KI, 0,79–0,88); Für den RCRI-Score betrug die AUC jedoch 0,62 (95 % KI, 0,52–0,72) bei Patienten, die sich einer Herzoperation unterzogen, und 0,70 (95 % KI, 0,63–0,77) bei Patienten, die sich einer nichtkardialen Operation unterzogen.
• Die externe Validierungsanalyse zeigte, dass der Algorithmus die postoperative Mortalität mit AUCs von 0,75 (95 % KI, 0,74–0,76) in der SHC- und 0,79 (95 % KI, 0,75–0,83) in der CUMC-Kohorte unterschied, mit ähnlicher Spezifität, Sensitivität und positiv und negativer Vorhersagewert wie bei der CSMC-Kohorte.

IN DER PRAXIS:

„Aktuelle klinische Risikovorhersagetools sind unzureichend“, sagte Studienleiter David Ouyang, MD, Abteilung für Kardiologie, Smidt Heart Institute und Abteilung für künstliche Intelligenz in der Medizin, Abteilung für Medizin, CSMC, Los Angeles, in einem Pressemitteilungund fügte hinzu, dass dieses KI-Modell „potenziell dazu verwendet werden könnte, genau zu bestimmen, welche Patienten sich einer Intervention unterziehen sollten und welche Patienten möglicherweise zu krank sind.“

QUELLE:

Die Studie wurde von Ouyang und Kollegen durchgeführt. Es wurde am 7. Dezember 2023 online veröffentlicht Die Lancet Digital Health.

EINSCHRÄNKUNGEN:

Der Algorithmus ist möglicherweise nicht auf Patienten mit geringem Risiko anwendbar, die kein präoperatives EKG benötigen. Da RCRI für die Beurteilung von Patienten konzipiert ist, die sich einer nichtkardialen Operation unterziehen, erfolgt der direkteste Vergleich in dieser Einstellung (AUC 0,83 vs. 0,70 für PreOpNet bzw. RCRI). Alle Analysen wurden an retrospektiven Kohorten durchgeführt.

OFFENLEGUNG:

Die Studie wurde vom National Heart, Lung, and Blood Institute finanziert. Ouyang berichtet über Unterstützung durch die National Institutes of Health und Alexion sowie über Beratung oder Honorare für Vorträge von EchoIQ, Ultromics, Pfizer, InVision, der Korean Society of Echo und der Japanese Society of Echo; Angaben anderer Autoren finden Sie im Artikel.