综述：基于人工智能模型应用于12导联心电图诊断急性冠脉综合征的准确性：一项系统评价

这篇系统评价全面评估了人工智能(AI)算法通过12导联心电图(ECG)诊断急性冠脉综合征(ACS)的效能，涵盖24项研究（1997-2023年）。结果显示AI模型灵敏度达68%-98%，特异性41%-98%，在ST段抬高型心肌梗死(STEMI)/闭塞性心肌梗死(OMI)亚组中表现更优。AI在敏感性(90%研究)和阳性预测值(PPV,100%研究)上超越临床医生，但存在算法透明度不足(仅3项公开代码)和偏倚风险(38%高风险)等问题，凸显了标准化报告和开放共享的必要性。

　　

人工智能赋能心电图：急性冠脉综合征诊断的新纪元

背景

心血管领域正经历人工智能(AI)的技术革命，尤其在急性冠脉综合征(ACS)的早期识别中，12导联心电图(ECG)结合AI算法展现出突破性潜力。ACS作为全球致死主因，其诊断时效性直接决定预后。传统ECG判读依赖医师经验，而AI通过深度学习(DL)和机器学习(ML)技术，可捕捉人眼难以识别的微细波形特征，为急诊决策提供新维度。

方法学革新

这项系统评价严格遵循PRISMA指南，检索了截至2023年6月的四大数据库。纳入标准聚焦于成人疑似ACS病例，要求AI模型仅基于临床环境采集的ECG数据。通过预测模型偏倚风险评估工具(PROBAST)分析，发现38%研究存在高风险偏倚，但适用性担忧较低。值得注意的是，仅12.5%研究实现了算法代码公开，这为结果复现设置了障碍。

性能表现图谱

24项研究的数据揭示：

• •

  全局诊断效能：AI模型灵敏度68%-98%（均值88.9%），特异性41%-98%（均值88.7%），曲线下面积(AUROC)最高达100%。

• •

  亚组突破：针对STEMI/OMI的检测，特异性跃升至68%-99%，反映AI对缺血性改变的卓越捕捉能力。

• •

  人机对决：在90%研究中，AI灵敏度超越医师回顾性判读；但临床医生在阴性预测值(NPV)上保持优势（70%研究），提示AI更适合"排除诊断"。

临床转化瓶颈

尽管Wu等开发的CNN-LSTM模型达到97%敏感性和特异性，现实应用仍面临三重挑战：

1. 1.

   数据异质性：参考标准不统一，75%研究以医师病历回顾为金标准，可能引入主观偏倚。

2. 2.

   实时验证缺失：仅Forberg等¹⁵比较了AI与急诊科医师实时判读，多数研究依赖回顾性数据。

3. 3.

   黑箱困境：如Cho等²⁰²⁰虽实现84.4%灵敏度，但未公开模型架构，阻碍临床信任建立。

未来航向

研究者呼吁：建立标准化ECG数据库、强制算法透明度、推进实时前瞻性试验。特别强调需探索AI对梗死定位的辅助价值——目前仅3项研究涉及该领域，而这直接关系血运重建策略选择。正如Al-Zaiti团队指出，AI+医师的"增强智能"模式，或许才是破解ACS诊断时效性难题的终极密钥。

结语

当ECG遇上AI，不仅是技术的碰撞，更是心血管急救范式的重构。从98%的敏感性峰值到38%的高偏倚风险，这条诊断革新之路既铺满希望，也布满荆棘。唯有通过跨学科协作，方能让算法真正融入听诊器的温度，实现从"数字精确"到"生命拯救"的跨越。