《JACC: Cardiovascular Interventions》：AI-Enabled ECG Analysis Improves Diagnostic Accuracy and Reduces False STEMI Activations: A Multicenter U.S. Registry
编辑推荐：
AI辅助STEMI分诊显著提升诊断效能，减少41.8%假阳性激活，92%的良性病例被准确识别，验证了AI心电图分析在急性胸痛路径中的临床价值。
罗伯特·赫尔曼（Robert Herman）| 布林·E·马玛（Bryn E. Mumma）| 杰克·D·霍因（Jake D. Hoyne）| 本杰明·L·库珀（Benjamin L. Cooper）| 尼尔斯·P·约翰逊（Nils P. Johnson）| 蒂梅娅·基索娃（Timea Kisova）| 安东尼·德莫尔德（Anthony Demolder）| 亚当·拉法伊杜斯（Adam Rafajdus）| 安德烈·伊林（Andrej Iring）| 蒂莫泰·帕卢斯（Timotej Palus）| 玛尔塔·贝尔蒙特（Marta Belmonte）| 埃马努埃莱·巴尔巴托（Emanuele Barbato）| 苏珊娜·J·巴伦（Suzanne J. Baron）| 罗伯特·哈塔拉（Robert Hatala）| 斯蒂芬·W·史密斯（Stephen W. Smith）| H.彭德尔·迈耶斯（H.Pendell Meyers）| 斯科特·W·夏基（Scott W. Sharkey）| 乔泽夫·巴尔图内克（Jozef Bartunek）| 蒂莫西·D·亨利（Timothy D. Henry）
比利时阿尔斯特的心血管中心（Cardiovascular Center Aalst），AZORG
摘要
背景
及时再灌注对于降低ST段抬高型心肌梗死（STEMI）的死亡率至关重要。尽管基于首次医疗接触识别的ECG引导的心导管实验室（CCL）激活方案能够改善系统层面的响应速度，但诊断的不确定性——尤其是在非典型病例中——会导致误激活（FPAs）和再灌注延迟。
目的
评估基于人工智能（AI）的ECG分析在美国多中心注册研究中对STEMI分诊的诊断性能和实际影响。
方法
我们回顾性分析了2020年1月至2024年5月期间，在三个地理位置不同的PCI中心因疑似STEMI而触发紧急CCL激活的1,032名患者。这些患者的初始ECG数据接受了标准分诊和盲法回顾性AI ECG分析（使用Queen of Hearts、PMcardio软件），该软件经过训练能够检测急性冠状动脉阻塞和良性类似症状。参考标准是通过血管造影确认的病变并伴有酶学指标阳性。比较了诊断准确性、亚组分析结果以及误激活病例的重新分类情况。
结果
在1,032次紧急CCL激活中，601例（58.2%）被确诊为STEMI。AI ECG模型的表现优于标准分诊方法：其检测灵敏度为553/601（92.0%，95%置信区间：89.7–94.1%），而标准分诊方法为427/601（71.0%，95%置信区间：67.4–74.6%）；误激活率分别为34/431（7.9%，95%置信区间：6.4–9.6%）和180/431（41.8%，95%置信区间：38.9–44.7%）；特异性分别为431/531（81.0%，95%置信区间：77.2–84.5%）和154/531（29.0%，95%置信区间：24.8–33.4%）（所有p值<0.001）。AI ECG模型的AUC为0.94（95%置信区间：0.92–0.95），在临床挑战性较高的亚组（如心房颤动、束支阻滞、STEMI类似症状）中仍能保持一致的性能。AI ECG模型正确重新分类了277/306例（91%）的生物标志物阴性误激活病例。
结论
基于AI的ECG分析显著提高了STEMI的检测率，减少了误激活情况，并增强了非典型病例的识别能力。这支持将基于AI的ECG分析整合到急性胸痛诊疗流程中。
