Kan AI forudsige risikoen for indlæggelse på grund af hjertesvigt ved hjælp af patientgenererede EKG-data fra smartwatches ?

Kan forbrugernes smartwatches levere præcise nok EKG-data til at forudse indlæggelser på grund af hjertesvigt? Real-tidsanalyse af disse bærbare signaler kunne advare klinikere, før patientens tilstand forværres, men pålideligheden af sådanne forudsigelser afhænger af kvaliteten af optagelserne og vedvarende brugerengagement.

Background

Hjerteinsufficienspatienter udviser ofte forvarslende arytmier dage før dekompensation, hvilket skaber et potentielt vindue for tidlig intervention. Forbrugerrettede smartwatches kan optage enkeltleds-EKG-spor, og flere studier har vurderet, hvorvidt dyb læring-pipelines, der er trænet på disse signaler, kan forudsige fremtidige indlæggelser på grund af hjerteinsufficiens (HF). Rapporterede diskriminationsmålinger for prototype-modeller ligger omkring 70 %, når de udelukkende er trænet på enhedsdata, og har ikke overgået traditionelle risikoberegnere, der inddrager kliniske variabler og laboratorieværdier (European Society of Cardiology Congress 2023, Late-Breaking Science-præsentation “Deep learning from smartwatch ECGs to predict heart-failure hospitalization: the WATCH-HF pilot,” 12. maj 2026). Forskningsindsatsen har udforsket transformer-baserede arkitekturer, der konverterer rå smartwatch-EKG’er til risikoscore-embeddings, men disse tilgange er fortsat uvaliderede eksternt, mangler regulatorisk godkendelse til rutinemæssig brug og fortsætter med at være begrænset af udbredte datakvalitetsproblemer – bevægelsesartefakter, dårlig ledkontakt og variabilitet i prøvetagningshastighed mellem enheder – hvilket underminerer konsistent modelpræstation.