Antibiotic prophylaxis given before invasive dental procedures in patients at risk of developing infective endocarditis has historically been the focus of infective endocarditis prevention. Recent changes in antibiotic prophylaxis guidelines in the USA and Europe have substantially reduced the number of patients for whom antibiotic prophylaxis is recommended. In the UK, guidelines from the National Institute for Health and Clinical Excellence (NICE) recommended complete cessation of antibiotic prophylaxis for prevention of infective endocarditis in March, 2008. We aimed to investigate changes in the prescribing of antibiotic prophylaxis and the incidence of infective endocarditis since the introduction of these guidelines.We did a retrospective secular trend study, analysed as an interrupted time series, to investigate the effect of antibiotic prophylaxis versus no prophylaxis on the incidence of infective endocarditis in England. We analysed data for the prescription of antibiotic prophylaxis from Jan 1, 2004, to March 31, 2013, and hospital discharge episode statistics for patients with a primary diagnosis of infective endocarditis from Jan 1, 2000, to March 31, 2013. We compared the incidence of infective endocarditis before and after the introduction of the NICE guidelines using segmented regression analysis of the interrupted time series.Prescriptions of antibiotic prophylaxis for the prevention of infective endocarditis fell substantially after introduction of the NICE guidance (mean 10,900 prescriptions per month [Jan 1, 2004, to March 31, 2008] vs 2236 prescriptions per month [April 1, 2008, to March 31, 2013], p<0·0001). Starting in March, 2008, the number of cases of infective endocarditis increased significantly above the projected historical trend, by 0·11 cases per 10 million people per month (95% CI 0·05-0·16, p<0·0001). By March, 2013, 35 more cases per month were reported than would have been expected had the previous trend continued. This increase in the incidence of infective endocarditis was significant for both individuals at high risk of infective endocarditis and those at lower risk.Although our data do not establish a causal association, prescriptions of antibiotic prophylaxis have fallen substantially and the incidence of infective endocarditis has increased significantly in England since introduction of the 2008 NICE guidelines.Heart Research UK, Simplyhealth, and US National Institutes of Health.

Background

 Pacing induced cardiomyopathy (PICM) occurs in up to a quarter of patients at long term follow up. Lower heart rate variability (HRV) and thoracic impedance (TI) levels are seen in patients with heart failure. Remote monitoring of HRV and TI in pacemaker patients could demonstrate the adverse effect of RV pacing. 

Aim

 To demonstrate the adverse effects of incremental increases in right ventricular pacing in pacemaker patients using remote monitoring. 

Methods

 One year of anonymised remote monitoring data from 1159 pacemaker patients was analysed. Clinical data were unavailable. Each remote monitoring day was grouped based on the right ventricular (RV) pacing percentage to produce ten equal groups. Days of sinus rhythm were compared with days of paroxysmal atrial fibrillation 1–23 hours, and persistent atrial fibrillation >23 hours. Heart rate variability was recorded as the P-P interval and therefore is only reported during the periods of sinus rhythm. Mean thoracic impedance and median heart rate variability were analysed. 

Results

 Right ventricular pacing >30% caused a deterioration in thoracic impedance, particularly during days of paroxysmal atrial fibrillation (AF). Each incremental 10% increase in RV pacing caused a reduction in HRV during days of paroxysmal AF. Across all groups, a subset of patients who are paced >80% have preserved heart rate variability and higher thoracic impedance (figures 1 and 2). 

Conclusion

 In paroxysmal atrial fibrillation, increasing RV pacing percentage has a detrimental impact on heart rate variability. Some patients with a very high burden of RV pacing (<90%) have relatively preserved HRV and TI which needs correlation with clinical data to explore further 

Conflict of Interest

 I have received fellowship funding from Abbott and educational support from Biotronik

Aim: The association of echocardiographic findings and subsequent risk of left-sided native valve endocarditis (LS-NVE) is undefined. The aim of this study was to determine if transthoracic echocardiography (TTE) measurements are associated with the subsequent development of LS-NVE in patients without cardiac predisposing conditions. Methods: Institutional databases were evaluated for adults diagnosed with LS-NVE from 2008 to 2020. Patients with prosthetic valves, cardiovascular implantable electronic devices, intracardiac devices, injection drug use, and predisposing cardiac conditions were excluded. Only patients who had a TTE performed 6 months to 3 years before the development of LS-NVE were included as cases. Controls were patients within the same Mayo location with a TTE report and were matched in a 1:3 ratio according to age, gender, Charlson comorbidity index, and echocardiography date. Results: There were 148 cases and 431 matched controls. As compared to controls, infective endocarditis (IE) cases had a higher prevalence of diabetes mellitus (46.6% vs. 30.4%) and chronic kidney disease (46.6% vs. 28.1%) (P < 0.001). Left ventricular outflow tract velocity (P = 0.017), left ventricular ejection fraction (P = 0.018), and E:e’ ratio (P = 0.050) were associated with LS-NVE. Conclusions: Echocardiographic measurements were associated with subsequent LS-NVE development in this pilot study. A larger cohort of LS-NVE patients, however, is needed to validate these findings.

Abstract Introduction Remote monitoring (RM) data has been used to develop predictive algorithms that warn of decompensated heart failure before a heart failure episode. The same RM data could also be used to predict other adverse events in heart failure patients, such as ventricular arrhythmias. Machine learning (ML) models can be used to process complex multivariate time series RM data. Purpose The aim of this analysis was to generate a clinically useful model to predict defibrillator therapy (shock or anti-tachycardia pacing (ATP)). The output of the model is the likelihood of a shock in the next 24 hours. Methods RM data of all 292 implantable cardioverter defibrillators (ICDs) at our centre were collected (male 81%, 66±12 years). Electrograms of ICD therapies were manually verified. 63 time series variables were collated. Atrial lead-dependent RM parameters and ones with &gt;30% missing data were excluded leaving 23 variables for analysis. After the exclusion of inappropriate therapies and patients with missing RM data, 218 patients were analysed. Of these, 41 (18.8%) had at least one ICD therapy. Three types of ML models were generated (1) random forest (RF), (2) extreme gradient boosted model (XGBoost), (3) one-dimensional convolutional neural network (1D-CNN) with three different intervals preceding ICD therapy: 30, 10, and 4 days. The model accuracy was measured utilising stratified grouped 5-fold cross-validation, with 20% of data used for testing in each fold. Results 4-day decision tree-based models (RF, XGBoost) demonstrated higher area under the curve (AUC) scores, compared with 10- and 30-day models. Percentage accuracy was similar across all three models and interval lengths. RF: The 4-day model had the highest AUC of 0.86 and an accuracy of 83.8%, compared to the 10-day (AUC 0.85, 83.0%) and 30-day (AUC 0.80, 82.2%) models. XGBoost: The 4-day model had an AUC of 0.85 and an accuracy of 83.4%, compared to the 10-day (AUC 0.84, 83.1%) and 30-day (AUC 0.81, 82.4%) models. 1D-CNN: The 4-day model had an AUC of 0.78 and an accuracy of 83.5%, compared to the 10-day (AUC 0.74, 83.1%) and 30-day (AUC 0.71, 82.2%) models. Episodes of prior ventricular tachycardia (VT) in the VT2 zone and prior ICD therapies contributed the most to model predictions, with their importance highest in the days immediately preceding ICD therapy (Figure 1). To better identify ‘first ICD therapy’, prior ICD therapies were excluded, and the models were re-run. AUC was lower at 0.70 with an accuracy of 72.9% in the highest-performing model (10-day XGBoost). The most important features were patient activity, RV pacing impedance, and mean ventricular heart rate (Figure 2). Conclusion We were able to predict ICD therapy with an AUC of 0.86. 4-day models were better than the 10-day and 30-day models. Model performance remained high (AUC 0.70), even after exclusion of prior ventricular arrhythmias from the predictors.1.Importance of top variables over time2.Top features without prior ICD therapy

Abstract Background 10-20% of patients who have right ventricular pacing develop pacing induced cardiomyopathy (PICM). Home monitoring (HM) could identify patients developing PICM in real-time and facilitate echocardiographic confirmation, medication optimisation and if necessary cardiac resynchronisation therapy (CRT). Purpose To identify predictors of PICM using machine learning models. Methods Consecutive cases of patients who developed PICM (12) after dual chamber pacing were identified from our implant database and matched 4:1 with propensity matched controls who underwent pacing but did not develop PICM (48) (Table 1.) HM data from the 6 months prior to echocardiographic diagnosis of PICM was analysed. PICM was defined as (1) a deterioration in left ventricular (LV) ejection fraction (EF) of &gt;10%, (2) to an EF of &lt;45%, (3) with right ventricular (RV) pacing &gt;20% and (4) the exclusion of alternative causes. Three types of ML models were generated (1) random forest, (2) extreme gradient boosted (XGBoost) (3) K-nearest neighbours algorithm (KNN), with 10-fold cross-validation. Results HM data were available for 12 PICM cases (75 ± 8 years, 72% male). PICM occurred at 2.0 ± 1.2 years. There was no difference between cases and controls in atrial pacing (8±15% vs 18±22% p=0.14), ventricular pacing (81±29% vs 85±24% p=0.62) or base rate (53±5bpm vs 53±5bpm p=0.80). Of the 34 RM features analysed, mean ventricular heart rate was identified as the most important predictor of PICM; area under curve with XG Boost 0.95, KNN 0.95, and random forest 0.86. Other RM features failed to add any more predictive power to the models. Mean ventricular rate was significantly higher in cases than controls (80±6 bpm vs 69±9 bpm p&lt;0.001). Sensitivity analysis was performed to assess whether episodes of atrial fibrillation (AF) were responsible for the higher ventricular rates. After days of AF days were excluded, mean ventricular rate was still significantly higher in cases than controls (79± 6vs 69±9bpm p&lt;0.001) (Figure 1). 10/12 patients had a subsequent CRT upgrade. No consistent pattern emerged in heart rate changes in the first 3 months after CRT upgrade. Conclusion In a group of patients with normal left ventricular function at implant, remotely monitored heart rate can predict early-onset PICM. Further work is required to understand when these heart rate differences emerge, and whether they improve with positive LV remodelling.Table 1.Figure 1.

Background

 Sudden cardiac death (SCD) is a tragic event and may be due to inherited cardiac conditions (ICC). Identification of ICCs in surviving family members can prevent further deaths. We present some of the challenges faced in family screening after sudden cardiac death over 13 years. 

Methods

 The Somerset sudden cardiac death pathway commenced in 2010. Patients <65 years with 1) unexplained SCD or 2) SCD due to a possible ICC were referred by the coroner to the Somerset SCD pathway. In cases where the cause of death was an ICC, SCD, or sudden arrhythmic death syndrome (SADS), first degree relatives were invited for screening. This included consultation with a cardiologist, 12-lead electrocardiogram (ECG), exercise ECG, 24-hour ECG, and a transthoracic echocardiogram (TTE) ± cardiac magnetic resonance imaging. If these were all normal, selected patients were offered an ajmaline challenge. 

Results

 80 Cases (41 ± 13 years, 65% male) were referred between October 2010 and November 2023, of which 8 were subsequently excluded. 

Logistics of screening

 In 27/72 (38%) of cases families declined any screening. 14/72 (19%) probands and 50/183 (27%) of first-degree relatives lived outside of our catchment area. 411 investigations were performed with an ICC diagnosis made in 14 (3.4%) (table 1.) On average, 3.3 relatives per family were screened. 

Defibrillator implants

 3 patients have had an implantable cardioverter defibrillator (ICD). 1 patient received an inappropriate therapy. There have been no appropriate therapies. The indications for implant were; ARVC (2, both asymptomatic) and a Brugada patient who had palpitations with presyncope. The Brugada patients was offered a loop recorder but opted for an ICD and had a right ventricular lead perforation. 

Genetics

 2/13 probands had molecular autopsy with pathogenic variants and 1 with phenotypic features of Loeys-Dietz syndrome (LDS) had a TGFBR1 Variant of Uncertain Significance (VUS). In one family, a pathogenic DSG variant (ARVC) segregated with an asymptomatic relative who was phenotype negative but later died of SCD despite surveillance. Another relative in the same family had a KNCE2 Long QT VUS and received an ICD due to mild left ventricular impairment and a possible epsilon wave but has not received any therapies in 9 years and one generator change. 

Mild relative phenotypes and uncertainty

 In two SADS families, 4 family members were ajmaline positive. 8/40 relatives declined the ajmaline challenge. ICC diagnosis was definite in 7 and possible in 3. One relative had possible Long QT and one possible ARVC. 

Conclusion

 A significant proportion of families do not engage with family screening or are out of area. Family members often have a less severe phenotype which can make clear diagnoses challenging. The threshold for ICD implant may be lower when families have been devastated by sudden death, but this is not without risk. Long term follow up is required to assess the effectiveness of screening. 

Conflict of Interest

 No conflict of interest to declare