基于深度学习算法的超声心动图自动左心房应变分析在早期诊断射血分数保留的心力衰竭中的临床价值

《European Journal of Medical Research》：Clinical value of automated left atrial strain analysis based on deep learning algorithms in echocardiography for early diagnosis of heart failure with preserved ejection fraction

　　

摘要

背景

由于没有明显的收缩功能障碍，射血分数保留的心力衰竭（HFpEF）仍然难以诊断。左心房储血室应变（LARS）已被视为左心房功能障碍的敏感指标，但其临床应用受到测量差异和时间成本的限制。我们研究了基于自动化深度学习技术的LARS在早期识别HFpEF方面的诊断性能。

方法

这项回顾性观察研究纳入了200名患者（107例HFpEF患者，93例对照组），这些患者均接受了经胸超声检查。HFpEF的诊断依据是2021年欧洲心脏病学会指南。所有超声数据均通过经过验证的基于深度学习的自动化平台（EchoGo Pro，Ultromics）进行分析。通过皮尔逊相关分析和布兰德-阿尔特曼分析来评估基于深度学习得出的参数与手动测量结果的一致性。诊断性能则通过接收者操作特征曲线分析来评估，而HFpEF的独立预测因子则是通过多变量逻辑回归分析确定的。

结果

与对照组相比，HFpEF患者的LARS值显著更低（19.3?±?5.7%对比30.8?±?6.4%，P?<?0.001）。基于深度学习得出的LARS值与手动测量的结果具有高度一致性（r?=?0.911；平均偏差为?0.67?±?2.34%），且自动化方法的重现性更好（ICC?=?0.974）。当临界值为24.2%时，基于深度学习得出的LARS的AUC值为0.806（95%置信区间为0.748–0.864），灵敏度为81.3%，特异性为83.9%，这一指标与手动测量的LARS相当（AUC?=?0.818，P?=?0.631），且数值上高于LAVI和E/e'比率，不过这些指标之间的差异并未达到统计学显著性。在多变量分析中，基于深度学习得出的LARS是预测HFpEF的最强独立超声指标（调整后的比值比为0.74，95%置信区间为0.65–0.84，P?<?0.001）。

结论

基于自动化深度学习技术的LARS分析能够提供准确、可重复且高效的结果，其性能可与专家的手动测量相媲美，因此在早期识别HFpEF方面具有重要的诊断价值。