Artificial intelligence-enabled electrocardiographic detection of acute occlusive myocardial infarction

Technische Samenvatting: Kunstmatige Intelligentie-gestuurde Elektrocardiografische Detectie van Acute Occlusieve Myocardinfarct

Probleemstelling
Een acuut occlusief myocardinfarct (OMI), gedefinieerd door een volledige of bijna volledige coronaire occlusie die transmurale ischemie veroorzaakt, vereist tijdige revascularisatie om onomkeerbare schade te voorkomen. Hoewel coronaire angiografie (CAG) het definitieve diagnostische instrument is, is dit invasief en intensief qua middelen. Huidige klinische trajecten vertrouwen zwaar op ST-elevatie myocardinfarct (STEMI)-criteria om spoed-CAG te triggeren; echter vertoont slechts 65–75% van de patiënten met angiografisch bevestigde OMI diagnostische ST-elevaties. De resterende 25–35% (vaak geclassificeerd als NSTEMI) heeft acuut occlusieve arteriën maar mist specifieke ECG-markers, wat leidt tot vertraagde herkenning en behandeling. Bovendien is de visuele interpretatie van subtiele ECG-patronen in niet-ST-elevatiegevallen gevoelig voor inter- en intra-observatorvariabiliteit. Bestaande deep learning (DL) modellen voor de detectie van myocardinfarct zijn grotendeels getraind op kleine, publiekelijk beschikbare datasets die een gebrek hebben aan systematische angiografische bevestiging, wat potentieel kan leiden tot spectrumbias en het onvermogen om het diagnostische continuüm te vatten dat in de echte wereld binnen de spoedeisende hulp wordt gezien.

Methodologie
Deze retrospectieve case-control studie maakte gebruik van een grootschalige, aan registers gekoppelde dataset om een foundation model voor OMI-detectie te ontwikkelen en te valideren.

• Dataverzameling en Curatie: De studie analyseerde 17.165 standaard 12-afleiding ECG's van 11.338 patiënten die tussen 2016 en 2022 werden geregistreerd bij het Akershus Universiteitssziekenhuis en verbonden ambulancediensten. De ECG's werden gekoppeld aan het nationale Noorse Register voor Invasieve Cardiologie (NORIC) om angiografische uitkomsten te verkrijgen.

  • OMI-definitie: Casussen werden gelabeld als OMI indien zij een acute culprit-laesie betroffen met een Thrombolysis In Myocardial Infarction (TIMI) flow graad 0–2 die werd behandeld met percutane coronaire interventie (PCI).
  • Controlegroepen: De controlegroep omvatte patiënten zonder PCI, patiënten met normale angiografische bevindingen, en patiënten met niet-occlusieve laesies (TIMI flow >2) of oude laesies. Om robuustheid te garanderen, werd de controlegroep gestratificeerd in "gezonde controles", "Angio <24 uur" (patiënten die angiografie ondergingen voor niet-urgente redenen) en "urgente klinische evaluatie" (patiënten die nauwlettende monitoring vereisten maar geen onmiddellijke reperfusie).
  • Exclusiecriteria: Electieve procedures, secundaire interventies (tenzij aan specifieke criteria werd voldaan), en ECG's die buiten de venster van 0–72 uur relatief aan de procedure werden opgenomen, werden uitgesloten. Patiënten met ontbrekende troponingegevens of troponinespiegels ≥14 ng/L in de controlegroep werden eveneens uitgesloten om fout-negatieven te minimaliseren.

• Modelarchitectuur en Training:

  • Foundation Model: De studie maakte gebruik van het ECGFounder model, een vooraf getrainde deep learning-architectuur getraind op meer dan 10 miljoen ECG-opnames. Dit model werd gefinetuned op de dataset van de studie.
  • Preprocessing: Ruwe digitale waveforms werden gehersampled naar 500 Hz, afgekapt tot 10 seconden, en verwerkt met baseline wander verwijdering (0,5 Hz high-pass), notch filtering (50 Hz) en min-max schaling.
  • Trainingsstrategie: Het model maakte gebruik van een supervised contrastive pre-training fase gevolgd door ordinale classificatie. Deze aanpak behandelde de vier klinische uitkomstgroepen (Emergency/OMI, Urgent, Angio <24h, Healthy) als een geordende hiërarchie van klinische urgentie in plaats van onafhankelijke categorieën.
  • Loss Functions: Om de ernstige klasse-imbalans aan te pakken, implementeerde de studie asymmetrische focal loss voor binaire classificatie en een focal ordinal loss voor de multi-class taak, waarbij de nadruk lag op moeilijk te classificeren samples.
  • Validatie: De dataset werd gesplitst in een 8-procenten ontwikkelingsset (gebruikt voor 5-voudige cross-validatie) en een 20-procenten hold-out testset, met patiënt-niveau separatie om data leakage te voorkomen.

• Evaluatiemetrieken: Prestaties werden beoordeeld met behulp van de Area Under the Receiver Operating Characteristic Curve (AUROC) en de Area Under the Precision-Recall Curve (AUPRC). Het model werd ook vergeleken met de huidige klinische praktijk met behulp van "door-to-procedure" tijd (<30 minuten) als een pragmatische surrogaat voor OMI-herkenning.

Belangrijkste Resultaten

• Algemene Prestaties: Het gefinetunede ECGFounder model behaalde een AUROC van 0,93 (95% CI, 0,90–0,95) en een AUPRC van 0,72 (95% CI, 0,65–0,79) voor het onderscheiden van OMI van niet-OMI gevallen en controles. Deze prestatie overtrof aanzienlijk de prevalentie-gebaseerde no-skill baseline (AUPRC ~0,10).
• ST-Elevatie vs. Niet-ST-Elevatie:
  • STEMI (met ST-elevatie): Het model vertoonde uitzonderlijke prestaties met een AUROC van 0,98 en een AUPRC van 0,82.
  • NSTEMI (zonder ST-elevatie): De prestaties waren matig maar klinisch relevant, met een AUROC van 0,84 en een AUPRC van 0,20. De lagere AUPRC weerspiegelt de inherente moeilijkheid van het detecteren van niet-ST-elevatie occlusies in een ongebalanceerde dataset.
• TIMI Flow Stratificatie: Het model behield een sterke discriminatie over TIMI flow graden (0, 0–1, 0–2), met AUROC's variërend van 0,93 tot 0,95 voor alle OMI-gevallen. De prestaties verbeterden wanneer de niet-ST-elevatie subgroep werd beperkt tot patiënten met troponine ≥500 ng/L, wat suggereert dat het model hemodynamisch relevante ischemie opvangt.
• Vergelijking met Klinische Praktijk: Bij vergelijking met de "door-to-procedure <30 minuten" benchmark:
  • Voor STEMI-gevallen identificeerde het model 93% van de gevallen (vs. 83% door klinische timing).
  • Voor NSTEMI-gevallen identificeerde het model 43% van de gevallen (vs. 11% door klinische timing), wat de potentie ervan benadrukt om hoog-risico occlusies te detecteren die momenteel gemist worden door standaard triage.
• Demografische en Biomarker Correlaties:
  • Het model vertoonde iets hogere prestaties bij mannen dan bij vrouwen, wat mogelijk gerelateerd is aan hogere mediane troponinespiegels bij mannen.
  • Voorspelde waarschijnlijkheden correleerden positief met piektroponinespiegels en negatief met TIMI flow graden, wat aangeeft dat het model de ernst van myocardiale schade en flow-reductie begrijpt.
  • Misclassificaties kwamen vaker voor bij Left Circumflex (LCx) occlusies, een bekende diagnostische uitdaging op het ECG.

Betekenis en Claims
De auteurs beweren dat deze studie de haalbaarheid aantoont van het gebruik van een gefinetuned ECG foundation model om acute OMI direct vanuit standaard 12-afleiding ECG's te detecteren met een hoge discriminatieve nauwkeurigheid. Belangrijke claims zijn onder meer:

1. Detectie van "Verborgen" Occlusies: Het model presteert aanzienlijk beter dan huidige klinische workflows bij het identificeren van OMI bij patiënten zonder ST-elevatie (NSTEMI), een groep waar diagnostische vertragingen vaak voorkomen.
2. Nut van Foundation Models: De studie valideert het nut van grootschalige ECG foundation models (ECGFounder) die zijn gefinetuned op real-world, register-bevestigde data, waarmee de beperkingen van kleinere, publiekelijk beschikbare datasets worden overwonnen.
3. Klinische Integratie: Het model is ontworpen als een beslissingsondersteuningstool om de klinische oordeelsvorming aan te vullen, niet om deze te vervangen. Het werkt op standaard 10-seconden ECG's zonder dat extra technische expertise vereist is.
4. Biomarker Correlatie: De voorspelde waarschijnlijkheden van het model komen overeen met biologische markers van schade (troponine) en angiografische ernst (TIMI flow), wat suggereert dat het model klinisch relevante pathofysiologische kenmerken leert in plaats van spuriaatieve artefacten.

De auteurs blijven bescheiden over directe klinische implementatie en wijzen op de noodzaak van prospectieve externe validatie in verschillende zorgsystemen en ambulance-workflows voordat implementatie kan plaatsvinden. Zij benadrukken dat hoewel het model de detectiepercentages verbetert, met name voor NSTEMI, het de noodzaak voor angiografische bevestiging niet wegneemt.