一项基于心电图（ECG）读数训练的用于检测冠状动脉阻塞的人工智能（AI）模型，在识别心脏病发作方面表现优于专家临床医生，并且与肌钙蛋白T测试相当。这项研究在美国心脏病学院2025年度科学会议（ACC.25）上于3月29日在芝加哥进行展示，同时也在《欧洲心脏杂志》上发表。研究结果表明，这种免费开源的AI模型可以帮助医生更快地识别需要紧急治疗的心脏病患者。
其他类似目标的AI工具已经开发出来，但这个新模型是首次专门设计用于急诊科一般人群，而不是预先选择的高风险人群。研究人员预计，它在检测非ST段抬高型心肌梗死（NSTEMI）方面将特别有益，这是临床医生最难诊断的心脏病类型之一。
“急诊科的心电图分析往往具有很高的变异性，”德国明斯特大学医院的临床科学家Antonius Büscher博士说，他是该研究的第一作者。“虽然ST段抬高的患者的心电图变化非常明显，但许多需要紧急冠状动脉再通的患者并没有ST段抬高；由于心电图上的变化不那么明显，这些患者可能会经历治疗延迟。我们的目标是加速这一过程，以便更早地识别出可能需要再通的患者。”
该研究专注于1型心脏病发作，包括ST段抬高型和非ST段抬高型心肌梗死，这类心脏病发作是由于心脏动脉中的斑块积聚并破裂，导致或减少了流向心肌的血液。损伤程度取决于缺氧的心肌量以及进行冠状动脉再通手术的时间，这是一种打开阻塞动脉的程序。
诊断心脏病发作的主要工具是心电图，它可以快速检测心电活动模式来判断心脏病发作，以及肌钙蛋白T血液测试，后者更为敏感，但在许多其他情况下也常呈阳性，这会增加诊断的不确定性。
急诊科看到大量可能有心脏病发作症状的患者，迫切需要补充方法来更好地识别哪些患者需要再通治疗。
在这项新研究中，研究人员开发了一个深度学习模型，用于检测心电图特征，以确定患者是否可能需要紧急再通。他们使用了来自美国一家中心近145,000次急诊就诊的健康记录对该模型进行了训练，并在同一来源的超过35,000次就诊数据上进行了测试。
然后，他们使用来自德国一家中心超过18,000次急诊就诊的数据进行了外部验证。该模型被验证用于初始训练结果（冠状动脉再通）和更具临床相关性的终点（1型心脏病发作诊断）。该模型根据心电图读数将每个患者分类为低、中或高风险。
研究人员使用一种常用的评估模型性能的指标——接收者操作特征曲线下面积（AUC），其中值为1表示完美区分，0.5表示无区分。他们将模型结果的准确性与临床医生、常规肌钙蛋白测试和高灵敏度肌钙蛋白T测试进行了比较。
结果显示，该模型在内部测试队列中达到了0.91的AUC，优于临床医生的心电图解释（0.65）和常规肌钙蛋白测试（0.71）。在外部队列验证中，该模型在检测1型心脏病发作方面的AUC为0.85，在预测再通方面的AUC为0.81。总体诊断准确性高于临床医生（分别为0.74和0.70），并且在检测1型心脏病发作方面与当代高灵敏度肌钙蛋白T（0.87）相当，尽管后者具有更高的敏感性但特异性较低。
Büscher博士说：“我们发现模型的表现优于人类解释，并且几乎达到了高灵敏度肌钙蛋白T测试的准确性。虽然该模型不是作为独立诊断测试设计的，但它可以大大增强急诊科的心电图解读，并减少急诊工作中的不确定性。”
在验证队列中，研究人员发现了一系列最初未诊断出的心脏病发作病例。Büscher指出，该模型可以在几小时前识别这些病例，建议该模型可以用来提醒医务人员或自动触发高灵敏度肌钙蛋白T测试以确认或排除心脏病发作。
Büscher表示，与其他AI工具相比，该模型的一个优势是其自解释性，这意味着研究人员能够识别模型用于决策的特征，并将其与临床上已建立的标志物联系起来。这使这项工作成为将AI工具整合到医疗决策支持中的重要一步。
“这些类型模型的一个共同目标是最大限度地利用我们拥有的数据，并通过捕捉数据中可能对人眼来说难以察觉的一些细微差别来补充医生的临床推理，”Büscher说。“我认为我们在这个领域还处于起步阶段，但在不远的将来，这些类型的模型将被用作常规诊断测试。”
尽管当模型在不同于训练数据的不同人群中使用时，性能总是会有所下降，但Büscher表示，该模型应该适用于大多数发达国家。由于它是公开可用的，研究人员或医院也可以用自己的数据微调模型，以提高特定人群的准确性。
目前正在进行一项前瞻性研究，以评估该模型在临床环境中的实际效用和潜在益处。
(全文结束)
