TrialsgramBetaRCTs are beautiful
Ungeprüfte ÜbersetzungDie Deutsche Übersetzung dieses Eintrags wurde nicht fachlich geprüft und kann vom Original abweichen. Akronym, vollständiger Titel und Zitat bleiben stets in der Originalsprache.Originalpublikation öffnen ↗

EAGLE (AI-ECG)

Artificial Intelligence-Enabled Electrocardiograms for Identification of Patients with Low Ejection Fraction: a Pragmatic, Randomized Clinical Trial

Patient / Population Intervention / Exposition Vergleich Endpunkt

Bei 22.641 Erwachsenen ohne bekannte Herzinsuffizienz mit Routine-EKG erhöhte der ärztliche Zugang zu einer KI-EKG-Vorhersage für niedrige Ejektionsfraktion die Neudiagnosen einer niedrigen Ejektionsfraktion innerhalb von 90 Tagen verglichen mit der üblichen Versorgung ohne das KI-Ergebnis.

N
22.641Patienten
Design
Pragmatische Cluster-RCT, USA (120 Primärversorgungsteams)
Endpunkt
Neudiagnose einer niedrigen EF (≤50 %) innerhalb von 90 Tagen nach dem EKG
Relevanz
1Praxisdefinierend — die Studie, auf der die Leitlinie ruht.
ErgebnisDiagnose einer niedrigen EF 2,1 % vs. 1,6 % (OR 1,32; 1,01–1,61; p=0,007); bei KI-EKG-positiven Patienten (6 % der Kohorte) 19,5 % vs. 14,5 % (OR 1,43; 1,08–1,91; p=0,01); Echokardiographie-Nutzung insgesamt ähnlich (19,2 % vs. 18,2 %; p=0,17).
Yao X, et al. Nat Med. 2021;27(5):815-819. 10.1038/s41591-021-01335-4
Diskussion & Kritik

Erste randomisierte Evidenz, dass ein KI-EKG-Entscheidungsunterstützungstool die Diagnostik in der Primärversorgungsroutine verändert, und die Vorlage für die späteren KI-EKG-Case-Finding-Studien. Der absolute Zugewinn war klein, der Endpunkt ist eine Diagnose nach 90 Tagen und kein klinischer Endpunkt, und die Studie war naturgemäß unverblindet. Ihre Zugewinne entstanden nur, wenn die Ärzte auf den Alarm reagierten — die ärztliche Adoption war der limitierende Schritt (siehe den Rushlow-Eintrag), und TRICORDER zeigte später denselben Mechanismus mit einem KI-Stethoskop.