一项发表在《欧洲心脏杂志》上的新研究表明，利用心电图（ECG）数据，一种新的人工智能（AI）驱动工具可以更准确地识别1型心肌梗死（MI），其准确性可与高灵敏度的心肌肌钙蛋白T（hs-TnT）测定相媲美。
不明确的心电图或生物标志物数据使得难以识别需要冠状动脉再血管化的急性冠状动脉综合征患者。Antonius Büscher及其同事开发了一种深度学习模型，以识别与再血管化风险相关的心电图模式，从而指导进一步评估并降低诊断不确定性。
该卷积神经网络模型经过训练，使用了来自美国队列的1,44,691次急诊科就诊数据（平均年龄60±19岁；女性占53%；再血管化率为0.6%），并在一个不同的测试队列（n=35,995）中进行了评估，并与心肌肌钙蛋白T（TnT）和临床医生的心电图解读进行了比较。
在欧洲队列中的18,673次住院病例（平均年龄55±21岁；女性占49%；再血管化率为1.5%；1型心肌梗死率为1%）中，对再血管化和1型心肌梗死进行了外部验证。主要性能指标是接收者操作特征曲线下面积（AUROC）。
在测试组中，该模型的表现优于传统的心肌肌钙蛋白T（AUROC 0.71）和临床医生的心电图解读，达到了AUROC 0.91。在外部验证队列中，心电图模型的AUROC为再血管化0.81，1型心肌梗死0.85，而临床医生解读的AUROC分别为0.67和0.74，高灵敏度（hs）-TnT的AUROC分别为0.85和0.87。与高灵敏度TnT相比，心电图模型的敏感性较低，但特异性更高。
该算法在确定测试人群中哪些个体需要再血管化方面表现优于传统的高灵敏度TnT测试和临床医生的心电图解读。在外部验证队列中也获得了类似的结果，其中心电图-AI模型在解读方面优于医生，但在预测能力上略逊于高灵敏度TnT。
总体而言，该深度学习模型使用了来自两个全球队列的近200,000份心电图，这些队列包括非ST段抬高急性冠状动脉综合征（NSTE ACS）患者，他们在急诊科就诊。研究结果表明，医生最终可能会得到AI的帮助，将合适的患者从急诊科转移到导管实验室。
(全文结束)
