Изменения диагностической точности, согласованности классификации и клинической уверенности после обучения электрокардиографии с поддержкой искусственного интеллекта в больницах IV и V уровня округа Какамега, Кения

Бесплатный доступ

Введение. Искусственный интеллект стал инструментом, существенно меняющим работу здравоохранения: модели на основе машинного и глубокого обучения позволяют быстро анализировать большие объёмы электрокардиографических данных и выявлять нарушения сердечного ритма и проводимости, включая атриовентрикулярные блокады. Материалы и методы. Исследование выполнено в Kakamega County Teaching and Referral Hospital и медицинских учреждениях IV уровня Mumias округа Какамега, которые ведут пациентов кардиологического профиля и располагают инфраструктурой для электрокардиографии. Использован квазиэкспериментальный дизайн со смешанным сбором данных. Результаты. Средний балл знаний вырос с 26,41±16,62 до вмешательства до 58,83±13,20 после него, прирост составил 32,42 балла (t(127)=29,87; p<0,001). Средний балл практических навыков вырос с 17,04±13,87 до 50,60±12,84, прирост 33,57 балла (t(127)=29,43; p<0,001). Заключение. Рост показателей знаний и практических навыков свидетельствует о высокой эффективности обучения с поддержкой искусственного интеллекта в части распознавания и классификации атриовентрикулярных блокад первой, второй и третьей степени.

Короткий адрес: https://sciup.org/143186485

IDS: 143186485   |   УДК: 616.12-073.97:004.8   |   DOI: 10.20340/vmi-rvz.2026.4.CLIN.1

Changes in Diagnostic Accuracy, Classification Consistency, and Clinical Confidence Following AI-Assisted Electrocardiography Training in Level IV and V Hospitals in Kakamega County, Kenya

Introduction. Artificial intelligence has become a tool that significantly transforms healthcare operations: machine learning and deep learning models enable the rapid analysis of large volumes of electrocardiographic data and the detection of heart rhythm and conduction abnormalities, including atrioventricular blocks. Materials and Methods. The study was conducted at the Kakamega County Teaching and Referral Hospital and Level IV medical facilities in Mumias, Kakamega County; these institutions manage cardiac patients and possess the infrastructure for electrocardiography. A quasi-experimental design with mixed data collection was employed. Results. The mean knowledge score increased from 26.41±16.62 pre-intervention to 58.83±13.20 post-intervention, representing a gain of 32.42 points (t(127)=29.87; p<0.001). The mean practical skills score rose from 17.04±13.87 to 50.60±12.84, an increase of 33.57 points (t(127)=29.43; p<0.001). Conclusion. The improvement in knowledge and practical skill scores demonstrates the high effectiveness of AI-supported training in the recognition and classification of first-, second-, and third-degree atrioventricular blocks.