Artificial intelligence-enabled electrocardiographic detection of acute occlusive myocardial infarction

技術要約：人工知能を用いた急性閉塞性心筋梗塞の心電図検出

問題提起
急性閉塞性心筋梗塞（OMI）は、完全またはほぼ完全な冠動脈閉塞による全層性の虚血と定義され、不可逆的な損傷を防ぐためにタイムリーな血行再建術を必要とする。冠動脈造影（CAG）が確定診断のための決定的なツールであるが、これは侵襲的でありリソースを大量に消費する。現在の臨床経路は、緊急CAGのトリガーとしてST上昇型心筋梗塞（STEMI）の基準に大きく依存しているが、血管造影で確認されたOMI患者のうち、診断的なST上昇を示すのは65〜75%に過ぎない。残りの25〜35%（多くの場合NSTEMIに分類される）は、急性閉塞性の動脈を有しているものの、特異的なECGマーカーを欠いており、認識と治療の遅れを招いている。さらに、非ST上昇症例における微妙なECGパターンの視覚的解釈は、観察者間および観察者内のばらつきが生じやすい。既存の心筋梗塞検出用ディープラーニング（DL）モデルは、体系的な血管造影による確認を欠いた小規模な公開データセットで訓練されていることが多く、スペクトラムバイアスを導入し、現実世界の救急現場で見られる診断の連続性を捉えきれない可能性がある。

方法論
本研究は、大規模なレジストリ連結データセットを利用して、OMI検出のための基盤モデルを開発および検証した、後ろ向きケースコントロール研究である。

• データ収集およびキュレーション: 本研究では、2016年から2022年の間にアケルシュット大学病院および提携救急車サービスにおいて記録された17,165件の標準12誘導心電図（ECG）を分析した。ECGは、血管造影の結果を得るために、全国的なノルウェー侵襲的循環器疾患レジストリ（NORIC）と紐付けられた。

  • OMIの定義: 症例は、経皮的冠動脈インターベンション（PCI）が行われ、急性原因病変において血栓溶解後（TIMI）血流グレードが0–2である場合をOMIとラベル付けした。
  • コントロール群: コントロール群には、PCIを受けなかった患者、正常な血管造影所見を持つ患者、および非閉塞性病変（TIMI血流 >2）または陳旧性病変を持つ患者が含まれた。堅牢性を確保するため、コントロール群は「健康なコントロール」、「血管造影 <24時間」（非緊急目的で血管造影を受ける患者）、および「緊急臨床評価」（密接なモニタリングを必要とするが即時の再灌流は不要な患者）に層別化された。
  • 除外基準: 予定手術、二次的介入（特定の基準を満たす場合を除く）、および処置から0–72時間の窓外で記録されたECGは除外された。コントロール群においてトロポニンデータが欠落している患者、またはトロポニン値が14 ng/L以上の患者も、偽陰性を最小限にするために除外された。

• モデルアーキテクチャおよび訓練:

  • 基盤モデル: 本研究では、1,000万件以上のECG記録で事前訓練されたディープラーニングアーキテクチャであるECGFounderモデルを採用し、これを本研究のデータセットでファインチューニングした。
  • 前処理: 生のデジタル波形を500 Hzにリサンプリングし、10秒間に切り出し、ベースライン変動除去（0.5 Hzハイパス）、ノッチフィルタリング（50 Hz）、および最小最大スケーリング（min-max scaling）を施した。
  • 訓練戦略: モデルは、**教師あり対照的事前訓練（supervised contrastive pre-training）**フェーズに続き、**順序分類（ordinal classification）**を用いた。このアプローチでは、4つの臨床アウトカムグループ（緊急/OMI、緊急、血管造影 <24h、健康）を、独立したカテゴリとしてではなく、臨床的緊急度の順序階層として扱った。
  • 損失関数: 重度のクラス不均衡に対処するため、バイナリ分類には**非対称フォーカルロス（asymmetric focal loss）を、マルチクラスタスクにはフォーカル順序損失（focal ordinal loss）**を実装し、分類が困難なサンプルを強調した。
  • 検証: データセットは、80%の開発セット（5分割交差検証に使用）と20%のホールドアウトテストセットに分割され、データ漏洩を防ぐために患者レベルでの分離を行った。

• 評価指標: パフォーマンスは、受信者動作特性曲線下面積（AUROC）および精度・再現率曲線下面積（AUPRC）を用いて評価された。また、OMI認識の現実的な代理指標として、「ドア・トゥ・プロシージャ（処置までの時間） <30分」を用いた現在の臨床慣行との比較ベンチマークも行った。

主な結果

• 全体的なパフォーマンス: ファインチューニングされたECGFounderモデルは、OMIと非OMIおよびコントロールを区別する上で、AUROC 0.93（95% CI, 0.90–0.95）およびAUPRC 0.72（95% CI, 0.65–0.79）を達成した。この性能は、有病率に基づくスキルなしのベースライン（AUPRC ~0.10）を大幅に上回った。
• ST上昇 vs. 非ST上昇:
  • STEMI（ST上昇あり）: モデルは、AUROC 0.98、AUPRC 0.82という極めて高い性能を示した。
  • NSTEMI（ST上昇なし）: パフォーマンスは中程度であったが、臨床的に有意であった（AUROC 0.84、AUPPR 0.20）。低いAUPRCは、不均衡なデータセットにおける非ST上昇性閉塞の検出の固有の難しさを反映している。
• TIMI血流による層別化: モデルは、すべてのOMI症例においてAUROCが0.93から0.95の範囲にあるなど、TIMI血流グレード（0, 0–1, 0–2）にわたって強力な識別能を維持した。非ST上昇サブグループをトロポニン値 ≥500 ng/Lの患者に限定した場合、性能が向上し、モデルが血行動態に関連する虚血を捉えていることが示唆された。
• 臨床慣行との比較: 「処置までの時間 <30分」のベンチマークと比較した結果：
  • STEMI症例において、モデルは93%の症例を特定した（臨床的なタイミングによる判定では83%）。
  • NSTEMI症例において、モデルは**43%**の症例を特定した（臨床的なタイミングによる判定では11%）。これは、標準的なトリアージでは現在見逃されている高リスクの閉塞を検出できる可能性を浮き彫りにしている。
• デモグラフィックおよびバイオマーカーとの相関:
  • モデルは女性よりも男性においてわずかに高い性能を示したが、これは男性の方が中央値のトロポニンレベルが高いことに関連している可能性がある。
  • モデルの予測確率は、ピークトロポニン値と正の相関があり、TIMI血流グレードと負の相関があった。これは、モデルが心筋損傷の重症度や血流減少を捉えていることを示している。
  • 誤分類は左回旋枝（LCx）の閉塞でより頻繁に見られ、これはECGにおける既知の診断上の課題である。

意義および主張
著者らは、本研究が、標準的な12誘導心電図から直接、高い識別精度で急性OMIを検出するためのファインチューニングされたECG基盤モデルの使用可能性を実証したと主張している。主な主張は以下の通りである：

1. 「隠れた」閉塞の検出: モデルは、診断の遅れが一般的な、ST上昇を伴わない患者（NSTEMI）におけるOMIの特定において、現在の臨床ワークフローを大幅に上回る。
2. 基盤モデルの有用性: 本研究は、大規模な、かつレジストリによって確認されたデータでファインチューニングされたECG基盤モデル（ECGFounder）の有用性を検証しており、小規模な公開データセットの限界を克服している。
3. 臨床への統合: モデルは、臨床医の判断を置き換えるのではなく、補完するための意思決定支援ツールとして設計されている。追加の技術的専門知識を必要とせず、標準的な10秒間のECGで動作する。
4. バイオマーカーとの相関: モデルの予測確率は、損傷の生物学的マーカー（トロポニン）および血管造影の重症度（TIMI血流）と一致しており、モデルが偽のアーチファクトではなく、臨床的に関連する病態生理学的特徴を学習していることを示唆している。

著者らは、即時の臨床導入については慎重な姿勢を保っており、実装前に異なるヘルスケアシステムや救急車ワークフローにおける前向きな外部検証が必要であると述べている。彼らは、モデルが特にNSTEMIの検出率を向上させるものの、血管造影による確認の必要性を排除するものではないことを強調している。