摘要
背景：疑似急性心肌梗死（AMI）的女性面临延迟或漏诊风险增加。人工智能心电图（AI-ECG）可能支持更早的AMI检测，但关于性别一致性能和排除安全性的前瞻性证据有限。
目的：本研究旨在评估AI-ECG在前瞻性多中心急诊科队列中对AMI的性别分层诊断性能、排除安全性和表型稳健性。
方法：ROMIAE（使用人工智能心电图分析排除急性心肌梗死）是一项在韩国18个中心进行的前瞻性外部验证研究。纳入疑似AMI的成年患者。AI-ECG使用预设风险阈值分析初始心电图。使用受试者工作特征曲线下面积评估诊断性能。在低风险截止值处，通过敏感性、阴性预测值和漏诊AMI率评估排除安全性。所有分析均按性别分层，包含预设亚组分析。
结果：在8,493名患者中，3,186名为女性。AI-ECG在女性和男性中表现出相当的区分能力（受试者工作特征曲线下面积分别为0.875 [95% CI: 0.853-0.896]和0.871 [95% CI: 0.858-0.883]）。在预设低风险截止值下，女性和男性的排除敏感性分别为98.8% (95% CI: 97.0-99.5)和99.8% (95% CI: 99.4-100.0)，阴性预测值高（女性99.2% [95% CI: 97.9-99.7]，男性99.1% [95% CI: 96.7-99.7]），漏诊AMI率低（两性均<1%）。在ST段抬高和非ST段抬高心肌梗死中，性能保持稳定，女性中未见性能下降。
结论：在前瞻性多中心急诊科队列中，AI-ECG展现出性别一致的诊断性能和对AMI的保留排除安全性。需要进一步验证和实施研究。（ROMIAE[使用人工智能心电图分析排除急性心肌梗死]试验；NCT05435391）
引言
急性心肌梗死（AMI）仍是全球发病率和死亡率的主要原因。尽管诊断策略有所进步，女性仍面临AMI诊断延迟或漏诊风险增加，这与更差的临床结局相关。与男性相比，女性在初次评估时更常表现为非典型症状、非ST段抬高表型以及不太明显的心电图异常，这些因素增加了在急诊环境中被低估的可能性。
当前疑似AMI的诊断路径主要依赖医生解释、基于规则的临床风险评分和生物标志物检测。虽然在许多临床环境中有效，但这些方法可能受到认知偏见和基于生物标志物确认固有延迟的影响。这些限制可能对已经面临漏诊风险的人群产生不成比例的影响，凸显了需要客观且可快速部署的诊断工具。
人工智能（AI）心电图能够独立于症状表现或提供者判断进行AMI风险评估。特别是，关于其在临床上具有挑战性的表型中保持排除安全性（如高敏感性和阴性预测值）以及跨性别一致性能的前瞻性证据有限。
本研究是对ROMIAE（使用人工智能心电图分析排除急性心肌梗死）队列的预设次要分析，我们评估了AI-ECG对AMI的性别分层诊断性能和排除安全性，扩展了主要ROMIAE出版物的发现。
方法
研究设计和数据来源
ROMIAE研究是一项前瞻性、多中心外部验证研究，旨在评估AI-ECG模型对AMI的诊断性能。该研究在2022年3月至2023年10月期间在韩国18个急诊科进行。研究方案获得各参与站点的机构审查委员会批准，所有参与者在入组前提供了书面知情同意。该试验在ClinicalTrials.gov注册（NCT05435391）。本研究代表了对ROMIAE队列的预设次要分析，重点关注AI-ECG的性别分层诊断性能和亚组稳健性。
研究人群
纳入在急诊科就诊、临床疑似AMI的成年患者（年龄≥18岁）。如果患者在症状发作后24小时内就诊，或在急诊就诊前或后24小时内经历恶化或复发的胸痛，则符合入组条件。如果患者表现为院外心脏骤停、创伤性胸痛、拒绝参与或有明确的非心脏诊断（如气胸），则被排除。纳入和排除标准在两性间统一应用。生物学性别根据就诊时的电子医疗记录文件确定。
AI-ECG模型
本研究评估的AI-ECG模型基于先前开发的深度学习架构（AiTiAMI，版本1.00.00；Medical AI Co, Ltd）。该模型处理以500 Hz采样的原始12导联心电信号，并生成代表AMI可能性的连续概率评分（0-100）。
该模型使用来自未参与本验证队列的机构的多中心心电图数据集进行训练，确保训练和验证数据之间的完全分离。未将包括性别在内的任何临床变量、实验室值或人口统计学特征作为显式模型输入。模型架构和训练程序的详细描述已在原始ROMIAE研究中报告。预设阈值用于将患者分为低、中、高风险组。分数<3.0定义为低风险类别，预先确定以实现约99%的敏感性，而分数≥48.5定义为高风险类别，对应于开发数据集中约90%的特异性。
数据收集和结局裁决
临床护理不受研究参与的影响。所有参与中心均遵循当代国际指南，使用高灵敏度肌钙蛋白诊断算法评估疑似AMI。前瞻性收集的数据包括初始12导联心电图、高灵敏度肌钙蛋白水平、症状表现和初始评估后医生估计的AMI临床概率（医生AMI评分，0-10分）。随访心电图和系列生物标志物检测由治疗团队酌情进行。
主要结局是在指数住院期间诊断为AMI，包括1型和2型MI，根据第四版心肌梗死通用定义。结局裁决由各站点的2名委员会认证急诊医师进行，第三方裁决者解决分歧。裁决者对AI-ECG结果设盲。
结果
研究人群和按性别分层的基本特征
按性别分层的基本人口统计学和临床特征总结在表1中。与男性相比，女性就诊时年龄更大，更常报告非典型胸痛（35.1% [1,118/3,186] vs 30.8% [1,632/5,307]）。男性更常见糖尿病、血脂异常、冠状动脉疾病和既往MI，而充血性心力衰竭在女性中更为普遍。女性中的指数AMI诊断率低于男性（10.5% [335/3,186] vs 23.6% [1,251/5,307]）。在AMI病例中，STEMI在男性中更为常见，而在女性中NSTEMI占病例的相对比例更大。
AI-ECG对AMI的性别分层区分和风险分层性能
AI-ECG在女性和男性中表现出相当的AMI区分性能。女性和男性的受试者工作特征曲线下面积分别为0.875 (95% CI: 0.853-0.896)和0.871 (95% CI: 0.858-0.883)，组间无显著差异（DeLong检验，P = 0.71）。
除区分能力外，AI-ECG在预定义风险类别中提供了有效的风险分层。在女性中，AMI患病率在AI-ECG风险类别中逐步增加（低、中、高风险组分别为0.8%、4.8%和47.5%）。在男性中观察到类似的富集模式（0.9%、9.4%和64.7%）。在AMI阳性病例中，与男性相比，女性在中高风险类别中NSTEMI占AMI总数的比例更大。
预设低风险截止值下AI-ECG的排除安全性
如表2所示，在预设低风险截止值下，AI-ECG在女性和男性中均表现出保留的排除安全性。敏感性在女性中为98.8% (95% CI: 97.0-99.5)，在男性中为99.8% (95% CI: 99.4-100.0)，表明假阴性率低。阴性预测值在两性中均很高，女性为99.2% (95% CI: 97.9-99.7)，男性为99.1% (95% CI: 96.7-99.7)。此外，在相同低风险截止值下，AI-ECG将更大比例的女性分类为低风险，与男性相比（15.1% [95% CI: 13.9%-16.4%; 480/3186] vs 4.1% [95% CI: 3.6%-4.7%; 217/5307]）。
AI-ECG的漏诊率在女性和男性中均<1%，发生在0.83% (95% CI: 0.23-2.12%; 4/480)的女性和0.92% (95% CI: 0.11-3.29%; 2/217)的男性中。这些结果证明了AI-ECG在预设低风险阈值下的排除安全性，支持其作为早期分诊辅助工具的潜在效用。
讨论
在这项前瞻性多中心ROMIAE队列的预设次要分析中，我们证明AI-ECG为AMI提供了性别一致的诊断性能，扩展了主要ROMIAE研究的发现。AI-ECG在女性和男性中显示出相当的区分能力，并在两性中保留排除安全性。此外，诊断性能在心肌梗死表型中保持稳健，包括STEMI和NSTEMI，支持表型无关的诊断能力。总之，这些发现提供了前瞻性证据，表明AI-ECG可能支持跨性别的稳定诊断性能，并可能在呈现疑似AMI的患者中实现更公平的早期分诊。
性别一致和安全的诊断性能
历史上，疑似AMI的女性在及时和准确诊断方面面临结构性挑战，这由更高的非典型症状表现率和不太明显的心电图发现所驱动。过度依赖症状解释、临床风险评分和生物标志物确认的诊断路径可能促成女性中识别延迟。在此背景下，我们的发现表明AI-ECG在女性和男性中提供相当的区分能力和保留的排除安全性，具有低漏诊AMI率。在女性中，这伴随着有意义的排除效率，允许在就诊时安全地将更大比例的女性分类为低风险。
从工作流程角度看，这些结果表明AI-ECG可能作为急诊科中的早期分诊工具，能够在评估早期阶段仅基于心电图进行风险分层。通过独立于生物标志物可用性运行，AI-ECG有可能在实验室确认之前支持安全的排除决策，这可能对呈现疑似AMI的女性特别相关。
在评估急诊科中的排除策略时，漏诊AMI率是重要的安全指标。在本研究中，AI-ECG在两性中均显示出<1%的漏诊AMI率。然而，某些表现——如缺血性损伤而无明显生物标志物升高，包括在女性中报道更常见的心理压力诱发的心肌缺血——可能无法仅通过心电图评估可靠捕获。这些发现强调AI-ECG应被解释为支持性早期分诊工具，临床判断和系列生物标志物评估仍然至关重要。
在先前诊断策略背景下跨表型的稳健性
NSTEMI代表临床上具有挑战性的表型，特别是对女性，因为她们更频繁地出现非典型表现和不太明显的心电图发现。重要的是，AI-ECG在患有NSTEMI的女性中的表现保持临床稳健，具有有意义的区分能力和高阴性预测值。此外，AI-ECG性能在MI亚型和症状表现模式中保持一致，包括典型与非典型症状和症状发作时间，以及在不同罪犯冠状动脉中。
基于高灵敏度肌钙蛋白的算法和临床风险评分（如GRACE和HEART）已被证明表现出与性别相关的分类差异。相比之下，本研究中的AI-ECG独立于生物标志物阈值和临床评分系统运行，同时在性别和MI表型中保持一致的性能。值得注意的是，这种性别一致的性能是在没有性别特定模型优化的情况下实现的，表明客观的心电图评估可能减少症状驱动诊断路径中固有的解释变异性。
临床意义
本分析通过提供几个临床上相关的见解扩展了主要ROMIAE研究。首先，AI-ECG在女性中保留了排除安全性，敏感性为98.8%，漏诊AMI率<1%，支持其作为历史上面临漏诊风险人群的早期分诊辅助工具的安全性。其次，与男性相比（15.1% vs 4.1%），AI-ECG将显著更大比例的女性分类为低风险，表明在此人群中可能的工作流程效率增益。第三，诊断性能在MI表型中保持稳健，包括对女性影响不成比例的临床上具有挑战性的NSTEMI，无系统性性能下降。
尽管有这些发现，AI-ECG应被解释为需要与完整临床背景整合的支持性分诊工具，而非独立的诊断标准。重要的是，非动脉粥样硬化病因的缺血性表现——包括非阻塞性冠状动脉心肌梗死、自发性冠状动脉夹层和血管痉挛性心绞痛——可能无法通过心电图算法可靠捕获，因为这些实体通常缺乏特征性心电图异常。女性在这些病因中占比过高，即使AI-ECG风险评分低，临床医生也应保持高度怀疑。
研究局限性
应承认本研究的几个局限性。首先，这项研究在一个国家进行，可能限制研究结果对具有不同患者人群、临床工作流程或心电图获取实践的医疗系统的普遍性。其次，生物学性别基于电子医疗记录文件确定，未捕捉性别认同或社会文化因素，这些因素也可能影响症状表现和医疗寻求行为。第三，医生估计的AMI概率本质上是主观的，可能在临床医生和机构之间有所变化，可能影响比较性能评估。第四，预设的AI-ECG风险阈值基于先前模型开发固定，未针对每个亚组单独优化，这可能限制不同临床环境中的灵活性。
结论
在这项前瞻性、多中心外部验证研究中，AI-ECG展现出AMI的性别一致诊断性能，在女性中保留区分能力和排除安全性。AI-ECG性能在MI表型中保持稳健，包括STEMI和NSTEMI，支持表型无关的诊断能力。这些发现表明AI-ECG可作为急诊环境中早期分诊的辅助工具，有可能在疑似AMI的初始评估中改善诊断公平性，特别是对女性。
临床知识能力：疑似AMI的女性因非典型表现和不太明显的心电图发现而面临诊断延迟和未被识别的风险增加。在前瞻性、多中心急诊科队列中，AI-ECG展现出性别一致的诊断性能和保留的排除安全性。
转化前景：当生物标志物结果待定时，AI-ECG可作为早期分诊辅助工具，性别一致的性能支持其整合到急诊科工作流程中以改善诊断公平性。未来研究应评估在不同医疗系统中的实际实施，并评估对临床决策、下游检测和结果的影响——特别是对女性和其他高风险人群。
【全文结束】