Studii medicale: electrocardiograma

Un algoritm de inteligență artificială aplicat pe ECG detectează boala coronariană obstructivă cu o acuratețe comparabilă cu evaluarea clinică tradițională, validat pe 4.951 de pacienți.

Model de deep learning pe imagini ECG (AUROC 0,90-0,95) detectează disfuncția sistolică VS (LVEF <40%), oferind o metodă de screening accesibilă în setări cu resurse limitate și medicina primară.

Un model de machine learning pe 73 de caracteristici ECG a depășit clinicienii în detectarea infarctului miocardic cu ocluzie (OMI) non-STEMI, reclasificând corect 1 din 3 pacienți.

Studiul analizează rolul sistemului nervos autonom în fibrilația atrială, demonstrând că neuromodularea (ex. denervarea renală) poate reduce tonusul simpatic și îmbunătăți controlul aritmiei.

Studiul evaluează eficiența programului italian de screening cardiovascular la 22.324 de copii sportivi, demonstrând că reevaluarea anuală crește randamentul diagnostic pentru riscul de moarte subită.

Studiu prospectiv pe 18.738 vârstnici chinezi identifică o incidență a FA de 5,2/1.000 persoane-ani și 12 predictori ECG independenți, incluzând flutterul atrial și ritmul joncțional.

Revizuirea demonstrează utilitatea validată a smartwatch-ului în detectarea fibrilației atriale, evidențiind totodată necesitatea validării clinice pentru aplicații extinse (QT, ischemie).

Un algoritm AI aplicat pe ECG de ritm sinusal a triplat rata de detecție a fibrilației atriale, permițând un screening țintit și reducând necesarul de monitorizări cardiace cu 37%.

Modelul AI EchoNext detectează bolile cardiace structurale prin ECG cu acuratețe ridicată, depășind performanța cardiologilor și facilitând triajul pacienților pentru ecocardiografie.

Sistemul AI AMIE a depășit medicii de familie în 29 din 32 de criterii de diagnostic și empatie în cadrul unor consultații simulate de telemedicină, demonstrând un potențial ridicat de suport clinic.