AI 模型在诊断心脏病发作时与高敏肌钙蛋白检测相匹配

快速阅读: 据《News-Medical.Net》最新报道，研究开发了一种深度学习模型，用于识别心电图中指示1型心肌梗死和再血管化需求的特征，表现优于临床医生解读和常规肌钙蛋白测试。模型可解释性强，能提前预警心肌梗死病例，有助于减少急诊不确定性。该研究由明斯特大学资助，发表于《欧洲心脏病学杂志》。

这项研究重点关注了1型心肌梗死，包括ST段抬高型心肌梗死（STEMI）和非ST段抬高型心肌梗死（NSTEMI）。这类情况通常发生在心脏动脉中的斑块积聚并破裂时，导致血流受阻或减少。损伤程度取决于缺氧心肌的数量以及冠状动脉再通术的时间，这种手术用于开通堵塞的动脉。

诊断心肌梗死的主要工具是心电图（ECG），它能快速检测心肌梗死的特征，基于心电活动的模式识别；另一种是肌钙蛋白T血液测试，尽管更敏感，但在许多非1型心肌梗死的情况下也会呈阳性，这可能增加诊断的复杂性和不确定性。急诊科接诊大量疑似心肌梗死症状的患者，因此迫切需要补充方法来更好地识别哪些患者需要再血管化治疗。

在新研究中，研究人员开发了一种深度学习模型，用于识别心电图中指示患者是否需要紧急再血管化的特征。他们在美国一个中心的近145,000次急诊室就诊记录上训练了该模型，并在来自同一来源的超过35,000次就诊的队列中进行了测试。随后，他们使用德国一家中心的超过18,000次急诊室就诊记录进行了外部验证。该模型被验证用于初始训练目标——冠状动脉再通术以及临床上更重要的1型心肌梗死诊断终点。

根据心电图读数，该模型将每位患者分类为低、中或高风险。使用一种常用于评估模型性能的指标——接收者操作特性曲线下的面积（AUC），其中值为1表示完美区分，0.5表示无区分，研究人员将模型结果的准确性与临床医生对心电图的解读、常规肌钙蛋白测试和高灵敏度肌钙蛋白T测试的结果进行了比较。结果显示，在内部测试队列中，该模型的AUC达到了0.91，优于临床医生对心电图的解读（0.65）和常规肌钙蛋白测试（0.71）。在外部队列验证中，该模型的AUC为0.85用于检测1型心肌梗死，0.81用于预测再血管化。总体诊断准确率高于临床医生（分别为0.74和0.70），并且1型心肌梗死的检测结果与当代高灵敏度肌钙蛋白T（0.87）相当，后者具有更高的敏感性但较低的特异性。

“我们发现模型的表现优于人类解读，并且几乎达到了高灵敏度肌钙蛋白测试的准确性，”布舍尔说，“尽管该模型并非旨在作为独立的诊断测试，但它可以极大地增强急诊室的心电图解读，并减少急诊诊疗过程中的不确定性。”

在验证队列中，研究人员发现了一系列病例，这些病例发生了心肌梗死但最初未被诊断出来。注意到该模型会在几小时前提前识别出这些病例，布舍尔建议该模型可用于提醒医护人员或自动触发高灵敏度肌钙蛋白测试以确认或排除心肌梗死。

布舍尔表示，与其他人工智能工具相比，该模型的一个优点是其可解释性，这意味着研究人员能够识别模型用于决策的特征并与临床公认的标志物联系起来。这使得这项工作成为将人工智能工具整合到医疗决策支持系统中的重要一步。

“这类模型的一个共同目标是充分利用我们现有的数据，并通过捕捉人类肉眼难以察觉的数据细节来辅助医生的临床判断，”布舍尔说，“我认为我们在这个领域还处于起步阶段，但在不太遥远的未来，这类模型将会成为临床实践中的常规诊断测试。”

虽然当模型应用于不同人群时，性能通常会下降，但布舍尔表示该模型应该适用于大多数发达国家。由于它是公开提供的，研究人员或医院也可以用自己的数据微调模型，从而提高其在特定人群中的准确性。目前正在进行一项前瞻性研究，以评估该模型在临床实践中的实际效用和潜在益处。

该研究由明斯特大学跨学科临床研究中心资助。这项研究与报告同步在线发表于《欧洲心脏病学杂志》。

(以上内容均由Ai生成)