《European Heart Journal - Digital Health》：Artificial intelligence–based ECG as a triage tool for acute myocardial infarction: a diagnostic systematic review and meta-analysis
编辑推荐：
早期识别急性心肌梗死（AMI）仍具挑战性，尤其在非ST段抬高型心肌梗死（NSTEMI）与闭塞性心肌梗死（OMI）中，常规心电图（ECG）判读敏感性有限。人工智能赋能心电图（AI-ECG）已成为提升早期分诊与诊断准确性的新兴策略。研究人员为系统评估AI-ECG算
早期识别急性心肌梗死（AMI）仍具挑战性，尤其在非ST段抬高型心肌梗死（NSTEMI）与闭塞性心肌梗死（OMI）中，常规心电图（ECG）判读敏感性有限。人工智能赋能心电图（AI-ECG）已成为提升早期分诊与诊断准确性的新兴策略。研究人员为系统评估AI-ECG算法检测AMI（含STEMI与NSTEMI）的诊断效能，在多种临床场景中开展本诊断性系统评价与荟萃分析，研究遵循PRISMA指南并在PROSPERO注册（CRD420261292271）。检索PubMed、Embase及Cochrane CENTRAL至2026年1月，纳入可重建2×2列联表的观察性研究。采用随机效应模型（限制最大似然法）合并敏感性、特异性、阳性预测值（PPV）、阴性预测值（NPV），生成汇总受试者工作特征（SROC）曲线与曲线下面积（AUC），并按STEMI/NSTEMI预设亚组分析。最终纳入10项研究共94510名参与者。整体AMI检测中，AI-ECG合并敏感性89.4%（95%CI 79.7–94.8）、特异性96%（95%CI 91.2–98.2）、NPV 98.7%（95%CI 94.1–99.7）、PPV 73.3%（95%CI 50.2–88.2），SROC AUC 0.97（95%CI 0.92–0.98）。STEMI亚组合并敏感性94.4%、特异性97.5%（AUC 0.98）；NSTEMI亚组合并敏感性仅65.0%、特异性87.5%（AUC 0.71），异质性显著。研究表明AI-ECG对AMI具有高敏感性与稳定优异NPV，支持其作为首次医疗接触时可扩展、无创的分诊辅助手段，利于早期排除策略与紧急缺血评估优先级排序，并可支持概率性风险分层及整合入早期临床决策路径。
研究背景与立项依据
急性冠脉综合征（ACS）尤其是急性心肌梗死（AMI）的快速准确识别是现代心血管诊疗基石。12导联心电图（ECG）虽普及且是早期分诊核心，但常规基于规则的判读在NSTEMI与闭塞性心肌梗死（OMI）中敏感性不足，首次医疗接触时的误分类持续导致可避免的发病与死亡及导管室资源低效利用。人工智能（AI）与深度学习可提取人类阅图与传统算法不可见的时间-空间模式，在多场景（急诊、院前、远程）对STEMI、NSTEMI、OMI均展现优于常规标准甚至专家判读的精度，且多项研究提示其高阴性预测值（NPV）支持作为AMI排除与分诊工具。但现有证据在模型架构、ECG采集（单导联vs 12导联）、场景（院前vs院内）、参照标准、结局定义上异质性强，单中心与小样本限制外推。研究人员因此开展跨场景、跨架构的合并分析以量化诊断效能、比较亚型差异、明确AI-ECG在早期ACS分诊中的定位。论文发表于《European Heart Journal - Digital Health》。
主要关键技术方法
研究人员按PRISMA与Cochrane手册设计，PROSPERO注册（CRD420261292271）。检索MEDLINE、Embase、Cochrane CENTRAL至2026年1月英文文献，补查参考文献与相关综述。两位评审独立筛题、两位独立提取，分歧由第三人裁决。样本队列来源于北美、东亚、拉美10项观察性研究（n=94510），含美国AERO-ACS、EMPIRE、ECG-SMART-NET、墨西哥/哥伦比亚/巴西多国队列、韩国ROMIAE、中国Zhao队列及台湾Chang/Liu/Chen等回顾或前瞻队列，模型涵盖PMCardio、Queen of Hearts、AiTiAMI、ResNet系CNN、CNN-LSTM、1-D CNN、LSTM等。由每项研究ROC或概率截断重建2×2表，用限制最大似然随机效应模型合并敏感性、特异性、PPV、NPV，绘SROC得AUC，按STEMI/NSTEMI与设计（前瞻/回顾）亚组，留一法敏感分析，QUADAS-2评偏倚，Deeks检验发表偏倚，R 4.5.0实现。
研究结果
研究筛选与特征：初检3519条，去重后1698条，全文156篇，入10篇。人群年龄中位59–65岁，男性53.68%，高血压/糖尿病/高脂血症/冠心病患病率41.94%/22.98%/27.51%/23.49%。
AMI总体诊断效能：合并敏感性89.4%（I2=98.1%）、特异性96%（I2=99.8%）、NPV 98.7%（I2=99.4%）、PPV 73.3%（I2=99.8%），SROC AUC 0.97（95%CI 0.92–0.98）。
AMI亚型亚组：STEMI合并敏感性94.4%（I2=95.2%）、特异性97.5%（I2=99.5%）、NPV 99.5%、PPV 77.8%，AUC 0.98；NSTEMI合并敏感性65.0%（I2=55.3%）、特异性87.5%（I2=91.7%）、NPV 89.9%、PPV 60.9%，AUC 0.71，异质性尤甚。
研究设计亚组：回顾性研究合并敏感性92.3%、特异性96.9%、AUC 0.98；前瞻性研究敏感性66.2%、特异性93%、AUC 0.87，提示回顾性设定可能高估。
敏感性分析：STEMI留一法稳定；NSTEMI排除Liu等研究后敏感性、PPV、NPV异质性大降，特异性不变。
偏倚与发表偏倚：QUADAS-2示5篇低偏倚、5篇高偏倚（选例、指数试验阈值、参照标准血管造影确认不足）；Deeks检验P=0.432，无显著发表偏倚。
讨论浓缩
研究人员指出AI-ECG对AMI高敏感与高NPV，STEMI近专家级、NSTEMI受限因心电改变细微、训练集偏STEMI、非闭塞缺血电信号弱。连续概率输出适配多截断值分诊（低概率排除、高概率rule-in、中概率复评），类比高敏肌钙蛋白通路。院前可早识STEMI、激活导管室缩door-to-balloon；急诊可减疑诊延迟。AI-ECG亦作数字生物标志物捕抓缺血电生理印迹，推动由二分诊断向首次接触概率风险分层转型，但须与临床、生物标志物、影像并用，非替代判断。PPV/NPV受患病率影响，敏感性/特异性更可泛化。局限含观察性为主、场景受控、少细分性别/传导异常亚组、校准与可解释性报告稀、半数高偏倚。
结论翻译
人工智能赋能心电图对STEMI与NSTEMI表现的AMI均展现持续高敏感性与高NPV。这些发现支持其作为无创分诊辅助手段的潜在作用，以协助首次医疗接触时的早期诊断决策与患者优先级排序。
