Ett artificiellt neuralt nätverk för att minska antalet ambulans-EKG som överförs för läkarbedömning för att upptäcka ST-höjningsinfarkt

Bakgrund: Pre-hospital överföring av elektrokardiogram (EKG) till en expert för tolkning och triage minskar tiden till akut perkutan koronar intervention (PCI) hos patienter med ST-höjningsinfarkt (STEMI). För att upptäcka alla STEMI-patienter bör EKG överföras vid misstanke på hjärtischemi. Syftet med denna studie var att undersöka förmågan hos ett artificiellt neuralt nätverk (ANN) att på ett säkert sätt minska antalet överförda EKG genom att identifiera patienter utan STEMI och patienter som inte behöver akut PCI. Metoder: Femhundra och sextio ambulans-EKG som överfördes till hjärtintensivavdelningen (CCU) samlades in prospektivt. EKG-tolkningen av ANN jämfördes med den slutgiltiga diagnosen (STEMI eller inte) och behovet av ett akut PCI (eller inte) enligt data hämtad från det svenska registret SCAAR. CCU-läkarens EKG-tolkning i realtid (STEMI eller inte) och triagebeslut (akut PCI eller inte) registrerades för jämförelse. Resultat: Sensitiviteten, specificiteten, samt det positiva och negativa prediktiva värdet för STEMI var 95%, 68%, 18% respektive 99%, och för ett behov av akut PCI var det 97%, 68 %, 17% och 100%. Om EKG där ANN inte identifierade ett STEMI eller ett behov av akut PCI teoretiskt skulle hindras från överföring, kunde antalet EKG som skickades till CCU ha minskat med 64% utan att missa något fall med STEMI eller ett behov av omedelbar PCI. Slutsatser: Vårt ANN hade en utmärkt förmåga att förutsäga STEMI och behovet av akut PCI baserad på ambulans-EKG och har en potential att säkert minska antalet EKG som överförs till CCU med nästan två tredjedelar.