基于人工智能模型诊断急性心肌梗死的准确性：系统评价与Meta分析

《Cardiovascular Research》：Diagnostic accuracy of artificial intelligence (AI)-based models for acute myocardial infarction: a systematic review and meta-analysis

　　

摘要

目的

尽管诊断工具不断改进，急性心肌梗死（AMI）的诊断仍主要基于心电图（ECG）和心脏生物标志物，并辅以其他无创影像学技术。然而，心电图的敏感性有限，而高灵敏度肌钙蛋白检测的特异性可能降低，尤其是在老年或多病共存的患者中。广泛采用的临床路径（如ESC 0/1小时算法）在外部队列中报告了较高的诊断判别能力（AUC范围在0.93至0.96之间），这为我们的发现提供了临床解读背景。这些诊断测试的局限性可通过基于人工智能（AI）的自动化计算机诊断系统加以弥补。文献中已有若干研究展示了机器学习（ML）或深度学习（DL）模型，以快速准确地评估AMI诊断，从而优化治疗。

方法与结果

本分析旨在评估基于AI的模型在AMI诊断中的表现，使用文献中所有可用的验证和测试队列数据。分析了所有心肌梗死以及STEMI和NSTEMI各自的敏感性和特异性，针对不同AI类型（非深度学习或深度学习）和不同数据来源（基于心电图或基于肌钙蛋白）进行了分析。采用分层模型估计汇总受试者工作特征曲线、敏感性和特异性。

共纳入24项研究，评估了27种基于AI的诊断算法，涵盖166,052名患者，其中18,850例（11.3%）最终确诊为AMI。患者以男性为主（61.8%），中位年龄为60.7岁（四分位距59.0-64.1岁）。基于AI的算法在AMI诊断中的判别能力较高，AUC为0.97（敏感性0.93，特异性0.92）。分别评估STEMI（AUC 0.96，敏感性0.91，特异性0.94）和NSTEMI（AUC 0.97，敏感性0.95，特异性0.90）时，结果保持一致。不同AI类型之间未发现显著差异。基于心电图和基于肌钙蛋白的模型均极为准确，前者敏感性略低，后者特异性略低。

结论

基于AI的AMI诊断算法表现出特别高效的性能。分别评估STEMI和NSTEMI时结果一致。AI并非取代传统诊断路径，而是有潜力通过识别细微的心电图特征和整合多数据流来增强现有工具。目前与传统统计模型的直接头对头比较仍然有限，未来应在相同临床人群中评估AI与传统方法的前瞻性研究势在必行。AI的诊断准确性并未因数据来源或所采用的AI类型不同而下降。

图形摘要

在新标签页中打开下载幻灯片