What is the clinical evidence from this study?

Study design: सार्वजनिक अध्ययन. Population: बाईं वेंट्रिकल सिस्टोलिक असामर्थ्य (n=191941). Intervention: व्यक्तिगत ECG-आधारित समवर्ती तंत्रिका नेटवर्क vs. सामान्यीकृत ECG-आधारित समवर्ती तंत्रिका नेटवर्क. Primary outcome: LVEF अनुमान का माध्य मूल त्रुटि (MAE) (p=<0.0001).

What does this research mean for the field?

Artificial intelligence models utilizing electrocardiogram (ECG) data can accurately estimate left ventricular ejection fraction and screen for systolic dysfunction, with personalized models achieving a mean absolute error as low as 5.98%. Novelty: ClaimNovelty.METHODOLOGICAL. Consensus alignment: ConsensusAlignment.NEUTRAL.

What question did this study set out to answer?

यह शोध ECG डेटा का उपयोग करके बाईं वेंट्रिकल उत्सर्जन भाग के अनुमान के लिए AI मॉडल विकसित करने का लक्ष्य रखता है।

April 10, 2026Open Access

व्यक्तिगत कृत्रिम बुद्धिमत्ता आधारित बाईं वेंट्रिकल उत्सर्जन भाग और सिस्टोलिक असामर्थ्य का आकलन

Q: What are the key findings of this study?

इलेक्ट्रोकार्डियोग्राम डेटा का उपयोग करके एक व्यक्तिगत कृत्रिम बुद्धिमत्ता मॉडल ने 5.98% का माध्य परम त्रुटि के साथ बाईं वेंट्रिकल उत्सर्जन भाग का अनुमान लगाया, जो सामान्यीकृत मॉडल की तुलना में महत्वपूर्ण रूप से बेहतर प्रदर्शन किया।

Q: What does this research mean for the field?

Artificial intelligence models utilizing electrocardiogram (ECG) data can accurately estimate left ventricular ejection fraction and screen for systolic dysfunction, with personalized models achieving a mean absolute error as low as 5.98%. Novelty: ClaimNovelty.METHODOLOGICAL. Consensus alignment: ConsensusAlignment.NEUTRAL.

Q: What question did this study set out to answer?

यह शोध ECG डेटा का उपयोग करके बाईं वेंट्रिकल उत्सर्जन भाग के अनुमान के लिए AI मॉडल विकसित करने का लक्ष्य रखता है।

Key Result

इलेक्ट्रोकार्डियोग्राम डेटा का उपयोग करके एक व्यक्तिगत कृत्रिम बुद्धिमत्ता मॉडल ने 5.98% का माध्य परम त्रुटि के साथ बाईं वेंट्रिकल उत्सर्जन भाग का अनुमान लगाया, जो सामान्यीकृत मॉडल की तुलना में महत्वपूर्ण रूप से बेहतर प्रदर्शन किया।

Key Points

यह शोध ECG डेटा का उपयोग करके बाईं वेंट्रिकल उत्सर्जन भाग के अनुमान के लिए AI मॉडल विकसित करने का लक्ष्य रखता है।
236,623 ECG/TTE जोड़ों के साथ 191,941 मरीजों का मूल्यांकन किया।
समवर्ती और संभाव्य तंत्रिका नेटवर्क विकसित किए।
विश्लेषण के लिए केवल ECG डेटा और संरचित विशेषताओं के साथ संयुक्त का उपयोग किया।
ECG-केवल मॉडल ने 7.71% का MAE और 10.36% का RMSE हासिल किया।
हाइब्रिड मॉडल ने 7.84% का MAE और 10.52% का RMSE हासिल किया।
व्यक्तिगत मॉडलों ने 5.98% (ECG-केवल) और 6.75% (हाइब्रिड) के MAE के साथ सटीकता में सुधार किया।
0.88 के AUC, 0.92 की संवेदनशीलता, और 0.98 के नकारात्मक पूर्वानुमान मूल्य के साथ LV सिस्टोलिक असामर्थ्य पहचाना गया।

Study Design

Type

सार्वजनिक अध्ययन (n=191,941)

Structured PICO

क्या ईसीजी डेटा का उपयोग करने वाले कृत्रिम बुद्धिमता मॉडल LVEF का सटीक अनुमान लगा सकते हैं और TTE की तुलना में LV सिस्टोलिक Dysfunktion को पहचान सकते हैं?

Population

191,941 patients, comprising 236,623 ECG/TTE pairs

Intervention

Convolutional and probabilistic neural network models using ECG data alone or with structured features

Comparator

Transthoracic echocardiography (TTE)

Outcome

Estimation of LVEF and identification of LV systolic dysfunction (LVEF ≤ 40%)surrogate

AI-based analysis of standard ECGs can accurately estimate LVEF and screen for LV systolic dysfunction, offering an accessible alternative to echocardiography.

Main Result

Absolute Event Rate: 5.98% vs 8.98%

p-value: p=<0.0001

Limitations

Higher mean absolute error in extreme LVEF ranges (<25% and >75%) due to limited sample sizes.
Low positive predictive value (24%) for screening left ventricular systolic dysfunction, which could lead to a substantial burden of confirmatory echocardiograms.
Slightly higher error during external validation, potentially due to imaging modality shift or population demographic differences.
Simple early-fusion strategy for the hybrid model may not optimally capture cross-modal interactions.

Abstract

बाईं वेंट्रिकल (LV) उत्सर्जन भाग (LVEF) हृदय कार्य का एक मूलभूत माप है, जिसे सामान्यतः संसाधन-गहन इमेजिंग तकनीकों, जैसे कि ट्रांसथोरैसिक इकोकार्डियोग्राफी (TTE) के साथ आंका जाता है। हमने 191,941 मरीजों के एक बड़े समूह में LVEF का आकलन करने के लिए इलेक्ट्रोकार्डियोग्राम (ECG) का एक वैकल्पिक, आसानी से सुलभ डेटा के रूप में मूल्यांकन किया, जिसमें 236,623 ECG/TTE जोड़े शामिल थे। ECG डेटा का उपयोग करके या संरचित विशेषताओं के साथ, हमने LVEF का अनुमान लगाने और इसकी अनिश्चितता को मात्राबद्ध करने के लिए समवर्ती और संभाव्य तंत्रिका नेटवर्क मॉडल विकसित किए। ECG-केवल मॉडल ने 7.71% का माध्य-परम ошиб (MAE) और 10.36% का मूल-औसत-जबर्दस्त-त्रुटि (RMSE) हासिल किया, जबकि हाइब्रिड मॉडल ने 7.84% का MAE और 10.52% का RMSE हासिल किया। व्यक्तिगत मॉडल ने प्रदर्शन में महत्वपूर्ण सुधार किया, जिनका MAE 5.98% (ECG-केवल) और 6.75% (हाइब्रिड) था। LV सिस्टोलिक असामर्थ्य (LVEF ≤ 40%) को 0.88 के AUC, 0.92 की संवेदनशीलता और 0.98 के नकारात्मक पूर्वानुमान मूल्य के साथ पहचाना गया। प्रस्तुत मॉडल ने LVEF के अनुमान और LV सिस्टोलिक असामर्थ्य की स्क्रीनिंग में उत्कृष्ट प्रदर्शन प्रदर्शित किया।

AI से पूछें

Bookmark

View Full Paper