studie AI-ECGRM
Dotaz
Zobrazit nápovědu
Úvod: Cílem této studie je vyhodnocení výkonu nově vyvinutého rytmového modelu určeného pro interpretaci EKG a založeného na umělé inteligenci (AI-ECGRM) v binární klasifikaci mezi sinusovým rytmem a arytmiemi. Metody: Interpretace EKG záznamů generované pomocí AI-ECGRM byly v rámci studie porovnány s diagnostickými závěry zkušeného kardiologa. Metodou použitou ke klasifikaci dat byla matice záměn, přičemž vyhodnocení zahrnuje senzitivitu, specificitu, pozitivní prediktivní hodnotu a negativní prediktivní hodnotu. Výsledky: Testovací datová sada obsahuje 1 491 náhodně vybraných EKG záznamů (průměrný věk 65 ± 21 let; 54 % žen). Pro danou datovou sadu čítala diagnostika kardiologa 1 271 záznamů se závěrem sinusový rytmus a 220 záznamů se závěrem arytmie. Oproti tomu interpretace generovaná pomocí AI-ECGRM čítala 1 169 záznamů se závěrem sinusový rytmus a 322 záznamů se závěrem arytmie. Senzitivita a specificita AI-ECGRM byla 94 % a 91 %. Pozitivní prediktivní hodnota byla 64 %. Negativní prediktivní hodnota dosáhla 99 %, což značí velmi nízkou pravděpodobnost vynechání potenciální patologie. Závěr: Výsledky ukazují na účinnost nově vyvinutého AI-ECGRM pro rozlišení záznamů se sinusovým rytmem a arytmií. Navíc metoda vykazuje vysokou negativní prediktivní hodnotu blížící se 100 %.
Objective: This study aimed to evaluate the performance of a developed novel AI-based ECG rhythm model (AI-ECGRM) in binary classification between sinus rhythm and arrhythmias. Methods: The interpretations generated by the AI-ECGRM were compared to the diagnostic conclusions made by cardiologists. The confusion matrix was used to verify the AI-ECGRM's sensitivity, specificity, positive predictive value, and negative predictive value. Results: The testing dataset included 1,491 randomly selected ECGs (mean age 65±21 years; 54% female). Out of the testing dataset, the highly advanced cardiologists diagnosed 1,271 ECGs as sinus rhythm and 220 as arrhythmia. The AI-ECGRM labelled 1,169 as sinus rhythm and 322 as arrhythmia out of the same ECGs. The sensitivity and specificity of the model were 94% and 91%, respectively. The positive predictive value was 64%. The negative predictive value was 99%, indicating a very low probability of missing any potential pathology. Conclusion: The results demonstrated the efficacy of the developed AI-ECGRM in accurately discriminating between ECGs exhibiting normal sinus rhythm and those indicating cardiac arrhythmias. Moreover, the AI-ECGRM exhibited an exceptional negative predictive value, approaching 100%.
