Những điểm nổi bật
- Các thuật toán trí tuệ nhân tạo được đào tạo trên dữ liệu điện tâm đồ một đường dẫn đã điều chỉnh nhiễu có thể dự đoán rủi ro suy tim mới phát sinh (HF) một cách mạnh mẽ trong các dân số đa dạng.
- Các mô hình AI được dẫn xuất từ điện tâm đồ đường dẫn I xác định rối loạn co bóp thất trái (LVSD), tiền đề quan trọng của HF, sử dụng tín hiệu điện tâm đồ mô phỏng từ thiết bị đeo.
- AI-ECG cải thiện đáng kể sự phân biệt và phân loại rủi ro so với các điểm số rủi ro HF lâm sàng đã được thiết lập như PCP-HF và PREVENT.
- Đánh giá đa quốc gia trong các đội ngũ YNHHS, UK Biobank và ELSA-Brasil xác nhận tính tổng quát rộng rãi và tiềm năng phân loại rủi ro HF dựa trên cộng đồng có khả năng mở rộng.
Nền tảng
Suy tim là nguyên nhân hàng đầu gây ra bệnh tật và tử vong toàn cầu, với tỷ lệ mắc ngày càng tăng mặc dù có những tiến bộ trong điều trị. Việc xác định sớm những cá nhân có nguy cơ mắc HF là rất quan trọng để có thể can thiệp kịp thời với các phương pháp điều trị thay đổi bệnh dựa trên bằng chứng. Phân loại rủi ro truyền thống dựa chủ yếu vào các biến số lâm sàng và chẩn đoán toàn diện, hạn chế khả năng mở rộng, đặc biệt là trong các môi trường cộng đồng hoặc nguồn lực hạn chế.
Thiết bị ghi điện tâm đồ di động và đeo được ghi các tín hiệu một đường dẫn cung cấp cơ hội hấp dẫn để sàng lọc rủi ro HF quy mô lớn, chi phí thấp. Tuy nhiên, dữ liệu điện tâm đồ một đường dẫn thô thường nhiễu và ít thông tin hơn so với điện tâm đồ 12 đường dẫn. Trí tuệ nhân tạo (AI), đặc biệt là học sâu, cung cấp công cụ để trích xuất các đặc trưng tiềm ẩn dự đoán rối loạn chức năng tim dưới lâm sàng và các sự kiện HF tương lai ngay cả từ dữ liệu chất lượng thấp.
Nghiên cứu hồi cứu và triển vọng đa quốc gia gần đây do Dhingra et al. (2025) công bố đánh giá một mô hình AI-ECG được đào tạo trên các đoạn điện tâm đồ đường dẫn I nhiễu để dự đoán HF mới phát sinh trong ba dân số đa dạng, giải quyết khoảng trống lâm sàng quan trọng về phân loại rủi ro HF có thể tiếp cận và mở rộng.
Nội dung chính
Thiết kế nghiên cứu và đội ngũ
Dhingra et al. đã phân tích một đội ngũ hồi cứu lớn từ Hệ thống Y tế Yale New Haven (YNHHS) bao gồm 192.667 bệnh nhân không có HF hiện tại, cùng với các đội ngũ dựa trên dân số triển vọng từ UK Biobank (UKB, n=42.141) và Nghiên cứu sức khỏe người lớn Brazil theo thời gian (ELSA-Brasil, n=13.454).
Các đặc điểm lâm sàng cơ bản bao gồm độ tuổi rộng và phân phối giới tính hỗn hợp (tuổi trung vị 51-65; phụ nữ 52%-58%), với thời gian theo dõi dài từ 3,1 đến 4,6 năm cho nhập viện HF là kết quả chính.
Phát triển và triển khai mô hình AI-ECG
Mô hình được đào tạo để phát hiện rối loạn co bóp thất trái (LVSD) từ các đoạn điện tâm đồ đường dẫn I đã được điều chỉnh với nhiễu mô phỏng đặc trưng của thiết bị điện tâm đồ đeo. Việc điều chỉnh nhiễu này nhằm phản ánh chất lượng tín hiệu thực tế từ các máy theo dõi di động cấp tiêu dùng.
Mô hình AI đưa ra một điểm số xác suất liên tục phản ánh rủi ro LVSD, sau đó được liên kết với các sự kiện HF mới phát sinh. Mô hình được thử nghiệm mù trong tất cả ba đội ngũ để đánh giá tính hợp lệ dự đoán và khả năng tổng quát.
Kết quả chính
– Tỷ lệ mắc mới HF trong thời gian theo dõi là 1,9% ở YNHHS, 0,1% ở UKB và 0,2% ở ELSA-Brasil.
– Một kết quả sàng lọc AI-ECG dương tính cho LVSD làm tăng gấp 3-7 lần nguy cơ nhập viện HF sau đó.
– Mỗi bước tăng 0,1 trong xác suất mô hình AI làm tăng nguy cơ 27% đến 65% bất kể độ tuổi, giới tính, bệnh đồng mắc và rủi ro tử vong cạnh tranh.
– Chỉ số Harrel C-statistic cho dự đoán HF mới phát sinh bởi AI-ECG dao động từ 0,723 đến 0,828 trong các đội ngũ, phù hợp với khả năng phân biệt tốt.
– Khi thêm vào các điểm số rủi ro HF truyền thống (PCP-HF và PREVENT), AI-ECG cải thiện khả năng phân biệt (tăng chỉ số C 0,069 đến 0,107), cải thiện phân biệt tích hợp (0,068 đến 0,205) và cải thiện phân loại rủi ro ròng (11,8% đến 47,5%).
Hiệu suất dự đoán so sánh
Các phương trình PCP-HF và PREVENT, công cụ lâm sàng đã được xác nhận dựa trên các yếu tố nhân khẩu học và rủi ro lâm sàng, thể hiện khả năng dự đoán vừa phải. Sự bao gồm các kết quả xác suất AI-ECG bao gồm các dấu hiệu điện sinh lý tinh vi của LVSD và rối loạn chức năng tiền lâm sàng mang lại những cải thiện có ý nghĩa thống kê và lâm sàng trong việc dự đoán khởi phát HF.
Đánh giá đa quốc gia và đa hệ thống
Các đội ngũ xác nhận từ các hệ thống chăm sóc sức khỏe khác nhau và các khu vực địa lý với tỷ lệ mắc HF và nhân khẩu học bệnh nhân khác nhau nhấn mạnh khả năng tổng quát mạnh mẽ của phương pháp AI-ECG và khả năng áp dụng rộng rãi, hỗ trợ triển khai trong tương lai trong các bối cảnh lâm sàng đa dạng.
Bình luận chuyên gia
Nghiên cứu của Dhingra et al. tiến bộ trong mô hình đánh giá rủi ro tim mạch bằng cách chứng minh khả thi của việc phân loại rủi ro HF được hỗ trợ bởi AI từ tín hiệu điện tâm đồ một đường dẫn dễ dàng thu được. Cách tiếp cận này phù hợp với mục tiêu y học chính xác, cho phép xác định sớm những cá nhân có rối loạn co bóp thất trái dưới lâm sàng có thể hưởng lợi từ giám sát cường độ cao hơn hoặc điều trị phòng ngừa.
Một trong những ưu điểm chính là kỹ thuật điều chỉnh nhiễu, mô phỏng thực tế các đặc trưng tín hiệu của các thiết bị điện tâm đồ đeo, tăng cường sự sẵn sàng của mô hình để tích hợp với công nghệ sức khỏe số cấp tiêu dùng. Điều này mở đường cho việc sàng lọc rủi ro HF dân chủ hóa vượt ra ngoài các trung tâm tim mạch chuyên sâu.
Tuy nhiên, vẫn còn nhiều thách thức trước khi triển khai lâm sàng rộng rãi. Các nghiên cứu triển vọng sử dụng các thiết bị điện tâm đồ đeo thực tế là cần thiết để xác nhận hiệu suất mô hình trong dữ liệu nhiễu thực tế ngoài các tín hiệu được trích xuất hồi cứu. Các quy trình tích hợp kết hợp các kết quả AI-ECG với quá trình ra quyết định lâm sàng cần được xác định, bao gồm hiệu quả chi phí, tuân thủ của bệnh nhân và các con đường quản lý được kích hoạt bởi các kết quả sàng lọc dương tính.
Về mặt bệnh sinh, AI có thể bắt được những thay đổi tinh vi trong các sóng điện sinh lý do co bóp cơ tim kém và tái cấu trúc, mà thoát khỏi việc diễn giải điện tâm đồ truyền thống. Nghiên cứu trong tương lai nên khám phá các tương quan sinh học và điện sinh lý của LVSD được dự đoán bởi AI, có thể hướng dẫn các mục tiêu điều trị mới.
Hơn nữa, mặc dù AI cải thiện các điểm số rủi ro đã được thiết lập, các cách tiếp cận đa phương thức kết hợp các dấu hiệu sinh học (ví dụ, các peptit natriuretic), hình ảnh và dữ liệu lâm sàng có thể tăng cường thêm khả năng dự đoán.
Kết luận
Phân tích đội ngũ đa quốc gia toàn diện này cho thấy rằng một mô hình AI đã điều chỉnh nhiễu phân tích các điện tâm đồ đường dẫn I một cách mạnh mẽ dự đoán rủi ro HF trong tương lai và xác định LVSD ở những cá nhân không có triệu chứng. Mô hình AI-ECG vượt trội hơn các công cụ rủi ro lâm sàng hiện có và cho thấy sự phân biệt nhất quán trong các dân số đa dạng.
Những kết quả này đề xuất một chiến lược biến đổi để phân loại rủi ro HF dựa trên cộng đồng có khả năng mở rộng, tận dụng công nghệ điện tâm đồ đeo. Để thực hiện tác động lâm sàng, xác nhận triển vọng, tích hợp vào các con đường chăm sóc và đánh giá kết quả bệnh nhân sau khi sàng lọc dựa trên AI-ECG là những bước tiếp theo quan trọng.
Tổng thể, phân tích điện tâm đồ một đường dẫn được hỗ trợ bởi AI đại diện cho một hướng hứa hẹn để bắc cầu các khoảng cách hiện tại trong việc phát hiện sớm HF và phòng ngừa cá nhân hóa, có thể giảm gánh nặng HF toàn cầu.
Tài liệu tham khảo
- Dhingra LS, Aminorroaya A, Pedroso AF, Khunte A, Sangha V, McIntyre D, Chow CK, Asselbergs FW, Brant LCC, Barreto SM, Ribeiro ALP, Krumholz HM, Oikonomou EK, Khera R. Dự đoán rủi ro suy tim từ điện tâm đồ một đường dẫn được hỗ trợ bởi trí tuệ nhân tạo. JAMA Cardiol. 2025 Jun 1;10(6):574-584. doi: 10.1001/jamacardio.2025.0492. PMID: 40238120; PMCID: PMC12004248.
- Jhund PS, MacIntyre K, Simpson CR, Lewsey JD, Stewart S, Redpath A, McMurray JJ. Xu hướng dài hạn trong lần nhập viện đầu tiên vì suy tim và sự sống sót sau đó từ năm 1986 đến 2003: Nghiên cứu dân số 5,1 triệu người. Circulation. 2009 Aug;119(4):515-523. doi: 10.1161/CIRCULATIONAHA.108.816491.
- Weng SF, Reps J, Kai J, Garibaldi JM, Qureshi N. Máy học có thể cải thiện việc dự đoán rủi ro tim mạch bằng dữ liệu lâm sàng thường xuyên hay không? PLoS One. 2017;12(4):e0174944. doi: 10.1371/journal.pone.0174944.
- Berdichevskaia M, Bailey K, McCarthy CP, Gupta D, Qintar M, Bhatt DL, Mentz RJ. Máy học cho dự đoán rủi ro trong suy tim: Đánh giá hệ thống. JACC Heart Fail. 2022 Oct;10(10):748-757. doi:10.1016/j.jchf.2022.06.007.