Доинтервенционная электрокардиографическая идентификация атриовентрикулярных блокад I, II и III степени в больницах уровней IV и V округа Какамега

Введение. Нарушения проводимости сердца, в частности атриовентрикулярные блокады, во многих системах здравоохранения с ограниченными ресурсами часто остаются недиагностированными, несмотря на их значительный вклад в заболеваемость и смертность. Точная интерпретация электрокардиограмм (ЭКГ) играет центральную роль в раннем выявлении этих нарушений, однако многие медицинские работники первичного звена по-прежнему испытывают трудности при идентификации и классификации паттернов атриовентрикулярной блокады.
Материалы и методы. В исследовании применён смешанный квазиэкспериментальный дизайн, сочетающий поперечную оценку исходного уровня компетентности с предтестовым подходом для оценки изменений в способности медицинских работников прогнозировать риск атриовентрикулярной блокады по данным ЭКГ.
Результаты. Анализ был направлен на определение того, связаны ли различия в исходной (доинтервенционной) компетентности с профессиональной категорией респондентов и их стажем работы. Общее качество модели подтверждается статистически значимым результатом скорректированной модели (F(13; 114)=8,975; p<0,001), что указывает на то, что включённые в модель независимые переменные значимо объясняют вариацию исходных показателей компетентности респондентов.
Выводы. Между респондентами были выявлены значимые различия в исходном уровне компетентности в зависимости от профессиональной категории и стажа работы, что свидетельствует о важной роли обоих этих факторов в формировании исходного уровня компетентности до проведения интервенции.

1. Aa A, Mi AO, Oo A, Oj A, Sm A, Of K, et al. Artificial intelligence in medical practice. The Nigerian Health Journal [Internet]. 2023;23(2). Available from: www.tnhjph.com

2. Anyira E, Anyira E, Felix B, Ng GT, Protas K, Constantine A, et al. Perioperative Cardiovascular Risk Stratification and Outcomes in Adult Patients Undergoing Major Non-Cardiac Surgery at Moi Teaching and Referral Hospital, Eldoret, Kenya. Perioperative Cardiovascular Risk Stratification and Outcomes in Adult Patients Undergoing Major Non-Cardiac Surgery at Moi Teaching and Referral Hospital. 2023.

3. Claude Twahirwa J, Jean Paul N, Elisee H, Eleazar N. Postgraduate Medical-Surgical Nursing Students’ Learning Experiences Through Focused Clinical Learner-Centered Teaching: A Case Study Using Kolb’s Experiential Learning Theory (ELT). Am J Cancer Prev. 2024 Jul 9;11(1):6–11. https://doi.org/10.12691/ajcp-11-1-2

4. Nurmaini S, Tondas AE, Darmawahyuni A, Rachmatullah MN, Umi Partan R, Firdaus F, et al. Robust detection of atrial fibrillation from shortterm electrocardiogram using convolutional neural networks. Future Generation Computer Systems. 2020 Dec 1;113:304–17. https://doi.org/10.1016/J.FUTURE.2020.07.021

5. Rojek I, Kotlarz P, Kozielski M, Jagodziński M, Królikowski Z. Development of AI-Based Prediction of Heart Attack Risk as an Element of Preventive Medicine. Electronics (Switzerland). 2024 Jan 1;13(2). https://doi.org/10.3390/ELECTRONICS13020272

6. Serhal H, Abdallah N, Marion JM, Chauvet P, Oueidat M, Humeau-Heurtier A. Overview on prediction, detection, and classification of atrial fibrillation using wavelets and AI on ECG. Comput Biol Med. 2022 Mar 1;142:105168. https://doi.org/10.1016/J.COMPBIOMED.2021.105168 PubMed PMID: 35033876.

7. Chorney W, Wang H, Fan LW. AttentionCovidNet: Efficient ECG-based diagnosis of COVID-19. Comput Biol Med. 2024 Jan 1;168:107743. https://doi.org/10.1016/J.COMPBIOMED.2023.107743 PubMed PMID: 38000247.

8. Yu K, Feng L, Chen Y, Wu M, Zhang Y, Zhu P, et al. Accurate wavelet thresholding method for ECG signals. Comput Biol Med. 2024 Feb 1;169. https://doi.org/10.1016/j.compbiomed.2023.107835 PubMed PMID: 38096762.

9. Ashley EA, Raxwal V, Froelicher V. An evidence-based review of the resting electrocardiogram as a screening technique for heart disease. Prog Cardiovasc Dis. 2001 Aug 1;44(1):55–67. https://doi.org/10.1053/PCAD.2001.24683 PubMed PMID: 11533927.

10. Challen R, Denny J, Pitt M, Gompels L, Edwards T, Tsaneva-Atanasova K. Artificial intelligence, bias and clinical safety. BMJ Qual Saf. 2019;28(3):231–7. https://doi.org/10.1136/bmjqs-2018-008370 PubMed PMID: 30636200.

11. Rooney SR, Karolcik B, West S, Follansbee C, Moulik M, Arora G. Novel presentation of CACNA1C variant as neonatal complete atrioventricular block, heart failure and non-compaction cardiomyopathy with oligogenic influences. J Electrocardiol. 2025 Nov 1;93:154139. https://doi.org/10.1016/J.JELECTROCARD.2025.154139

12. Rahimi M, Elbardisy O, Suszko A, Ha J, Moayedi Y, Chauhan VS. Exercise-induced bundle branch block in patients with heart failure: Tracking dynamic electrical dyssynchrony for on-demand cardiac resynchronization therapy. Heart Rhythm. 2025 Aug 12. https://doi.org/10.1016/J.HRTHM.2025.08.013 PubMed PMID: 40812592.