Studii medicale: electrocardiograma

Model de machine learning pe 73 caracteristici ECG (7.313 pacienți, validare externă): AUROC 0,91 față de 0,79 clinicieni și 0,78 sisteme comerciale. Reclasifică corect 1 din 3 pacienți cu durere toracică; reduce ocluziunile coronariene nediagnosticate cu 85%.

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%.

Un sistem de inteligență artificială capabil să interpreteze imagini clinice, electrocardiograme și documente medicale în timp real a obținut rezultate superioare celor ale medicilor de medicină generală în 29 din 32 de criterii de evaluare, inclusiv acuratețea diagnosticului și empatia

Un studiu publicat în Nature prezintă dezvoltarea și validarea EchoNext, un model de învățare profundă capabil să detecteze bolile cardiace structurale (BCS) pe baza electrocardiogramelor standard. Cercetarea a fost realizată de o echipă multidisciplinară de la New York–Presbyterian Hospital și alte