Fugu-MT 論文翻訳(概要): Associations between echocardiographic traits and AI-ECG predictions of heart failure

論文の概要: Associations between echocardiographic traits and AI-ECG predictions of heart failure

arxiv url: http://arxiv.org/abs/2605.24576v1
Date: Sat, 23 May 2026 13:37:36 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-26 19:50:18.252529
Title: Associations between echocardiographic traits and AI-ECG predictions of heart failure
Title（参考訳）: 心不全の心エコー特性とAI-ECG予測との関連
Authors: Elias Stenhede, Eivind Bjørkan Orstad, Torbjørn Omland, Henrik Schirmer, Arian Ranjbar,
Abstract要約: 人工心電図(AI-ECG)は心不全(HF)を検出することができる。 AI-ECGにより予測されるHFリスクは、心筋機能障害、リモデリング、充満圧の心エコー計と一致しているかを検討した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Artificial intelligence-enabled electrocardiography (AI-ECG) can detect heart failure (HF), including disease not captured by left ventricular ejection fraction (LVEF), but the cardiac phenotypes underlying model predictions remain unclear. We therefore investigated whether AI-ECG-predicted HF risk aligns with established echocardiographic measures of myocardial dysfunction, remodelling, and filling pressures. We retrospectively analysed ECG and echocardiography data from 8147 patients who underwent both examinations within three days at Akershus University Hospital between 1 January 2023 and 1 June 2025. A previously validated AI-ECG model for HF detection was applied to all ECGs. Spearman's rank correlation $ρ$ quantified associations between echocardiographic parameters and AI-ECG risk. Subgroup analyses were performed by sex and left ventricular ejection fraction (LVEF). External validation included 36,286 ECG-echocardiography pairs from Columbia University Irving Medical Center. Global longitudinal strain (GLS) showed the strongest correlation ($ρ$=0.57), followed by mitral annular plane systolic excursion (MAPSE) ($ρ$=-0.49) and LVEF ($ρ$=-0.45). In patients with LVEF>50%, correlations remained substantial for GLS, MAPSE, and diastolic-related parameters. Volumetric left ventricular indices correlated less strongly in women, whereas diastolic indices showed stronger correlations in women than in men. Physiological validation showed that AI-ECG HF risk predictions align primarily with measures of systolic function, particularly global longitudinal strain, while also capturing diastolic-related abnormalities in patients with preserved LVEF. This approach may improve clinical interpretability and identify opportunities for model refinement.
Abstract（参考訳）: 人工心電図(AI-ECG)は、左室放出分画(LVEF)によって捉えられていない疾患を含む心不全(HF)を検出することができるが、基礎となる心臓表現型は未だ不明である。そこで我々は, 心電図で予測されるHFリスクが, 心機能障害, リモデリング, 充満圧の心エコー計と一致しているかを検討した。 2023年1月1日から2025年6月1日にかけて,Akershus大学病院で3日間に2回の検査を行った8147例の心電図および心エコー図データを回顧的に分析した。 HF検出のための事前に検証されたAI-ECGモデルを全ECGに適用した。スピアマンのランク相関は、エコー心電図パラメータとAI-ECGリスクの定量的な関連である。左室排ガス分画 (LVEF) を用いて, 性差および左室排ガス分画を用いてサブグループ分析を行った。検査にはコロンビア大学アーヴィング医療センターの36,286個の心電図と心電図のペアが含まれていた。グローバル長手ひずみ (GLS) は最強相関 (ρ$=0.57) を示し, 続いて, 僧帽輪状面の収縮運動 (MAPSE) (ρ$=-0.49) と LVEF (ρ$=-0.45) が続いた。 LVEF>50%の患者では, GLS, MAPSE, および拡張期関連パラメータに相関がみられた。左室容積指数は女性では有意な相関がみられ, 拡張期指標では女性の方が男性より強い相関がみられた。 AI-ECG HFのリスク予測は、主に収縮機能、特に大域的縦断ひずみの測定と一致し、またLVEF保存患者の拡張期関連異常を捉えた。このアプローチは、臨床的解釈性を改善し、モデル改善の機会を特定する。

関連論文リスト

A Signal-Language Foundation Model for Broad-Spectrum Cardiovascular Assessment from Routine Electrocardiography [11.95199497112656]
我々はECGコントラスト言語画像事前学習(ECGCLIP)を開発した。 ECGCLIPは信号言語によるコントラスト学習フレームワークであり、ECG波形と専門診断報告を整合させる。 1,324,856人の心電図2,837,962例を対象にECGCLIPを評価した。
論文参考訳（メタデータ） (2026-05-25T05:51:44Z)
Detecting low left ventricular ejection fraction from ECG using an interpretable and scalable predictor-driven framework [9.789732284839884]
低左室放出率 (LEF) は症状性心不全の進行まで検出されないことが多い。既存のアプローチは、解釈可能性に制限のあるエンドツーエンドのブラックボックスモデルのみに依存している。我々は基礎モデルに基づく診断確率と解釈可能なモデリングを統合する構造化フレームワークECGPD-LEF(Predictor-Driven LEF)を導入した。
論文参考訳（メタデータ） (2026-03-30T14:55:52Z)
Demographic-Aware Self-Supervised Anomaly Detection Pretraining for Equitable Rare Cardiac Diagnosis [45.00216485193071]
心電図による心臓の異常は, 長期分布により検出が困難である。我々は、自己教師付き異常検出と人口動態認識型表現学習を統合したAI支援二段階ECGフレームワークを開発した。本手法は,まれな異常に対して94.7%のAUROCを達成し,コモン・レア性能のギャップを73%削減する。
論文参考訳（メタデータ） (2026-03-20T07:04:00Z)
Fine-tuning an ECG Foundation Model to Predict Coronary CT Angiography Outcomes [18.45168797720226]
4大冠動脈の重症または完全狭窄を予測できるAI-ECGモデルを開発した。臨床的に正常なECGサブセットでは,ECG異常以上の異常が認められた。
論文参考訳（メタデータ） (2025-11-29T05:21:24Z)
LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
論文参考訳（メタデータ） (2025-08-23T07:21:23Z)
Latent Representations of Intracardiac Electrograms for Atrial Fibrillation Driver Detection [37.72464514643607]
本研究では,非教師付き特徴抽出のための畳み込みオートエンコーダを用いたディープラーニングフレームワークを提案する。心房電気活動の潜在的表現は、EMG分析の特徴づけと自動化を可能にする。提案手法は, リアルタイムに動作可能であり, 臨床解剖学的マッピングシステムに統合することにより, アブレーション中の不整脈領域の同定を支援することができる。
論文参考訳（メタデータ） (2025-07-24T09:40:24Z)
Global and Local Contrastive Learning for Joint Representations from Cardiac MRI and ECG [40.407824759778784]
PTACL(Patient and Temporal Alignment Contrastive Learning)は、CMRからの時間情報を統合することで、ECG表現を強化するマルチモーダルコントラスト学習フレームワークである。英国バイオバンクの被験者27,951名を対象に,ペア心電図-CMRデータを用いたPTACLの評価を行った。心電図を用いた非侵襲的心臓診断におけるPTACLの有用性について検討した。
論文参考訳（メタデータ） (2025-06-24T17:19:39Z)
Self-supervised inter-intra period-aware ECG representation learning for detecting atrial fibrillation [41.82319894067087]
そこで本研究では,周期型ECG表現学習手法を提案する。心房細動患者の心電図ではRR間隔の不規則性やP波の欠如を考慮し, 経時的および経時的表現のための特定の事前訓練タスクを開発する。本手法は,発作/持続性心房細動検出のためのBTCHデータセット,textiti., 0.953/0.996におけるAUCの顕著な性能を示す。
論文参考訳（メタデータ） (2024-10-08T10:03:52Z)
Analysis of Digitalized ECG Signals Based on Artificial Intelligence and Spectral Analysis Methods Specialized in ARVC [0.0]
不整脈性右室心筋症(英: arrhythmogenic right ventricular cardiomyopathy、ARVC)は、患者の2年目から4年目に発症する遺伝性心筋疾患である。心電図(ECGs)に基づくこの疾患の有効かつ時間的診断は、早期の心血管死の減少に重要な役割を担っている。
論文参考訳（メタデータ） (2022-02-28T13:12:50Z)
Estimation of atrial fibrillation from lead-I ECGs: Comparison with cardiologists and machine learning model (CurAlive), a clinical validation study [0.0]
本研究では,人工知能を用いた心房細動検出法を提案する。本研究の目的は, 心臓科医と人工知能の診断精度をリードI心電図と比較することである。
論文参考訳（メタデータ） (2021-04-15T12:50:16Z)
Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。合計320回の試験(平均6回の試験)と28回の試験が行われた。ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文参考訳（メタデータ） (2020-05-27T20:44:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。