Автоматизированное выявление сердечной недостаточности с сохраненной фракцией выброса по данным эхокардиографии с использованием искусственного интеллекта

Введение: Выявление сердечной недостаточности с сохраненной фракцией выброса (СНсФВ) требует интеграции множества визуализационных и клинических признаков, которые часто дают противоречивые или неопределенные результаты.

Цель: Применить искусственный интеллект (ИИ) для выявления СНсФВ по единственному видеоклипу трансторакальной эхокардиографии в апикальной четырехкамерной позиции.

Методы: Разработана и обучена трехмерная сверточная нейронная сеть, которая анализировала видеоклипы в апикальной четырехкамерной позиции и классифицировала пациентов с СНсФВ (диагноз сердечной недостаточности, фракция выброса ≥50% и эхокардиографические признаки повышенного давления наполнения; основная группа) и без СНсФВ (фракция выброса ≥50%, отсутствие диагноза сердечной недостаточности, нормальное давление наполнения; контрольная группа). Результаты работы модели классифицировали как СНсФВ, отсутствие СНсФВ или недиагностический результат (высокая неопределенность). Эффективность модели оценивали на независимой выборке из нескольких медицинских центров и сравнивали с ранее валидированными клиническими шкалами.

Результаты: В обучение и валидацию были включены 2971 пациент с СНсФВ и 3785 пациентов контрольной группы; отложенная валидационная выборка составила 16,8% пациентов. Модель продемонстрировала отличную диагностическую способность: площадь под ROC-кривой составила 0,97 (95% ДИ 0,96–0,97) в обучающей выборке и 0,95 (95% ДИ 0,93–0,96) в валидационной. При независимом тестировании (646 пациентов с СНсФВ и 638 пациентов контрольной группы) 94 результата (7,3%) были недиагностическими. В клинически значимых подгруппах сохранялись высокая чувствительность (87,8%; 95% ДИ 84,5–90,9%) и специфичность (81,9%; 95% ДИ 78,2–85,6%), а также высокая повторяемость и воспроизводимость. Среди 701 и 776 неопределенных результатов по шкалам HFA-PEFF (оценка перед тестированием, эхокардиография и натрийуретические пептиды, функциональное тестирование) и H2FPEF (тяжелая гипертензия, фибрилляция предсердий, легочная гипертензия, пожилой возраст и давление наполнения) модель ИИ для выявления СНсФВ правильно переклассифицировала 73,5% и 73,6% результатов соответственно. За период наблюдения (медиана 2,3 года; межквартильный интервал 0,5–5,6 года) умерли 444 пациента (34,6%); смертность была выше среди пациентов, которых ИИ классифицировал как имеющих СНсФВ (отношение рисков 1,9; 95% ДИ 1,5–2,4).

Выводы: Модель ИИ для выявления СНсФВ, основанная на единственном стандартно получаемом видеоклипе эхокардиографии, продемонстрировала отличную способность различать пациентов с СНсФВ и без нее, чаще позволяла классифицировать неопределенные случаи, чем клинические шкалы, и выявляла пациентов с повышенным риском смерти.