Abstract Objective : Vast 12-lead ECGs repositories provide opportunities to develop new machine learning approaches for creating accurate and automatic diagnostic systems for cardiac abnormalities. However, most 12-lead ECG classification studies are trained, tested, or developed in single, small, or relatively homogeneous datasets. In addition, most algorithms focus on identifying small numbers of cardiac arrhythmias that do not represent the complexity and difficulty of ECG interpretation. This work addresses these issues by providing a standard, multi-institutional database and a novel scoring metric through a public competition: the PhysioNet/Computing in Cardiology Challenge 2020. Approach : A total of 66 361 12-lead ECG recordings were sourced from six hospital systems from four countries across three continents; 43 101 recordings were posted publicly with a focus on 27 diagnoses. For the first time in a public competition, we required teams to publish open-source code for both training and testing their algorithms, ensuring full scientific reproducibility. Main results : A total of 217 teams submitted 1395 algorithms during the Challenge, representing a diversity of approaches for identifying cardiac abnormalities from both academia and industry. As with previous Challenges, high-performing algorithms exhibited significant drops (  ≲ 10%) in performance on the hidden test data. Significance : Data from diverse institutions allowed us to assess algorithmic generalizability. A novel evaluation metric considered different misclassification errors for different cardiac abnormalities, capturing the outcomes and risks of different diagnoses. Requiring both trained models and code for training models improved the generalizability of submissions, setting a new bar in reproducibility for public data science competitions.

Background Sex is a well-recognized risk factor for sudden cardiac death (SCD). Sex differences in electrophysiological (EP) substrate of SCD are known. However, it remains unknown whether sex can modify an association of EP substrate with SCD.Methods Participants from the Atherosclerosis Risk in Communities study with analyzable ECGs (n=14,725; age, 54.2±5.8 yrs; 55% female, 74% white) were included. EP substrate was characterized by traditional 12-lead ECG (heart rate, QRS, QTc, Cornell voltage), spatial ventricular gradient (SVG) and sum absolute QRST integral (SAI QRST) metrics. Two competing outcomes were adjudicated SCD and nonSCD. Interaction of ECG metrics with sex was studied in Cox proportional hazards and Fine-Gray competing risk models. Relative hazard ratio (RHR) and relative sub-hazard ratio (RSHR) with a 95% confidence interval for SCD and nonSCD risk for women relative to men were calculated. Model 1 was adjusted for prevalent cardiovascular disease (CVD) and risk factors. Time-updated model 2 was additionally adjusted for incident non-fatal CVD.Results Over a median follow-up of 24.4 years, there were 530 SCDs (incidence 1.72 (1.58-1.88)/1000 person-years) and 2,178 nonSCDs (incidence 7.09; (6.80-7.39)/ 1000 person-years). Women experienced a greater than men risk of SCD associated with Cornell voltage (RHR 1.18(1.06-1.32); P=0.003), SAI QRST (RHR 1.16(1.04-1.30); P=0.007), area SVG magnitude (RHR 1.24(1.05-1.45); P=0.009), and peak SVG magnitude (RHR 1.22(1.04-1.44); P=0.018), independently from incident CVD. Greater risk of SCD for women than men associated with QRS duration (RHR 1.24(1.07-1.44); P=0.004) and QTc (RSHR 1.15(1.02-1.30); P=0.025) was explained by incident CVD. Furthermore, women had greater odds of SCD associated with heart rate (RSHR 1.19(1.01-1.40); P=0.036), independently of incident CVD.Conclusions Sex modifies an association of EP substrate with SCD. In women, global EP substrate is associated with up to 27% greater risk of SCD than in men. Development of sex-specific risk scores of SCD is necessary. Further studies of mechanisms behind sex differences in EP substrate of SCD are warranted.

Background: In end-stage kidney disease the dialytic cycle relates to the rate of sudden cardiac death. We hypothesized that circadian, dialytic cycles, paroxysmal arrhythmias, and cardiovascular risk factors are associated with periodic changes in heart rate and heart rate variability (HRV) in incident dialysis patients. Methods: We conducted a prospective ancillary study of the Predictors of Arrhythmic and Cardiovascular Risk in End Stage Renal Disease (PACE) cohort (n=28; age 54±13 y; 57% men; 96% black; 33% with a history of structural heart disease; left ventricular ejection fraction 70±9%). Continuous ECG monitoring was performed using an ECG patch (Zio Patch, iRhythm) and short-term HRV was measured for three minutes every hour. HRV was measured by root mean square of the successive normal-to-normal intervals (rMSSD), high and low frequency power, Poincare plot, and sample and Renyi entropy. Results: Arrhythmias were detected in 46% (n=13). Non-sustained ventricular tachycardia (VT) was more frequent during dialysis or within 6 hours post-dialysis, as compared to pre- or between-dialysis (63% vs. 37%, P=0.015), whereas supraventricular tachycardia was more frequent pre-/ between-dialysis, as compared to during- / post-dialysis (84% vs. 16%, P=0.015). In adjusted for cardiovascular disease and its risk factors autoregressive conditional heteroscedasticity panel (ARCH) model, VT events were associated with increased heart rate by 11.2 (95%CI 10.1-12.3) bpm (P<0.0001). During regular dialytic cycle, rMSSD demonstrated significant circadian pattern (Mesor 10.6(0.9-11.2) ms; Amplitude 1.5(1.0-3.1) ms; Peak at 02:01(20:22-03:16) am; P<0.0001), which was abolished on a second day interdialytic extension (adjusted ARCH trend for rMSSD -1.41(-1.67 to -1.15) ms per 24h; P<0.0001). Conclusion: Cardiac arrhythmias associate with dialytic phase. Regular dialytic schedule preserves physiological circadian rhythm, but the second day without dialysis is characterized by parasympathetic withdrawal and a steady increase in sympathetic predominance.

Background: The risk of sudden cardiac death (SCD) is known to be dynamic. However, an accuracy of a dynamic SCD prediction, and expiration date of ECG biomarkers is unknown. Our goal was to measure dynamic predictive accuracy of ECG biomarkers of SCD and competing outcomes. Methods: Atherosclerosis Risk In Community study participants with analyzable digital ECGs were included (n=15,768; 55% female, 73% white, age 54.2±5.8 y). ECGs of 5 follow-up visits were analyzed. Global electrical heterogeneity (GEH) and traditional ECG metrics were measured. Adjudicated SCD served as the primary outcome; non-sudden cardiac death served as competing outcome. Time-dependent area under the (receiver operating characteristic) curve (AUC) analysis was performed to assess prediction accuracy of a continuous biomarker in a period of 3,6,9 months, and 1,2,3,5,10, and 15 years, using survival analysis framework. Results: Over a median 24.4 y follow-up, there were 581 SCDs (incidence 1.77 (95%CI 1.63-1.92)/1,000 person-years), and 838 nonSCDs [2.55 (95%CI 2.39-2.73)]. Resting heart rate was the strongest (AUC 0.930) short-term (3-month) non-specific SCD predictor, whereas spatial peak QRS-T angle predicted specifically SCD 15 years after ECG recording (AUC 0.719). QRS duration (AUC 0.885) and QTc (AUC 0.711) short-term predicted advanced structural heart disease better than SCD. Expiration date for most ECG biomarkers was two years after ECG recording. GEH significantly improved reclassification of SCD risk beyond age, sex, race, diabetes, hypertension, coronary heart disease and stroke. Conclusion: Short-term predictors of SCD, nonSCD, and biomarkers of long-term SCD risk differed, reflecting differences in transient vs. persistent SCD substrates.

Introduction: Heart failure (HF) is typified by disease exacerbations resulting in high readmission rate and mortality. Continuous electrocardiographic (ECG) and activity (ACT) data offer promise of a scalable noninvasive solution that may reduce 30-day readmissions. Using a data-driven approach, we developed a machine learning (ML) model including the FDA-cleared multivariate change index (MCI) to identify HF patients at low risk for near-term decompensation. Methods: The LINK-HF clinical trials used the Prolaio system to continuously record physiological parameters using a wearable device. We used ML to build predictive models of a composite outcome of near-term (7-day) risk of emergency room use, hospitalization or death. The model was derived using data from the previously published LINK-HF1 study (2015-2016), and externally validated using data from the control arm of the LINK-HF2 trial (2021-2024). Covariates were developed in LINK-HF1 and a selection procedure used the bootstrap to identify the 100 covariates most commonly chosen when training a ML model to classify patients into high vs. low near-term risk. All combinations of the top 3 covariates were then used to develop the final model. The best-performing model in the training set was evaluated in the validation set. Results: Patient data were segmented into 7-day windows, yielding 4,243 training windows (200 [4.7%] with events) and 3,551 validation windows (109 [3.1%] with events) (Fig. 1A). The chosen model utilized covariates related to changes in heart rate, atrial fibrillation burden, and MCI to achieve an area under the receiver operating characteristic curve (AUROC) of 73% (95% Confidence Interval [CI], 69-76%) in the validation set. The model stratified patients into high and low risk, with a Hazard Ratio (HR) for the outcome of 3.9 (95% CI, 2.7-5.6; P-value, 4 x 10-13) in the validation set (Fig. 1B). Conclusions: Using multivariable wearable sensor data and ML, we developed a model able to identify HF patients at low vs. high near-term risk for decompensation. Future work will determine how this knowledge may optimize and personalize HF care, improving outcomes and efficiency in care delivery.