Kunstmatige intelligentie schaalbare oplossing voor ST-myocardinfarct: cross-sectionele studie (ASSIST)

Vertragingen in triage en diagnose van patiënten met pijn op de borst of andere symptomen die wijzen op het acuut coronair syndroom (ACS) kunnen fataal zijn. Deze studie is bedoeld om die twee aspecten bij acute ischemische ziekteverzorging te verbeteren: het verminderen van de vertragingen tot interventie en het verbeteren van de nauwkeurigheid van de initiële diagnose, die van het grootste belang zijn in gevallen van ACS, vooral in STEMI. De eerste speelt een cruciale rol bij het minimaliseren van sterftecijfers in het ziekenhuis, waarvan is aangetoond dat ze evenredig afnemen met de reductie van tijden tot interventie. Dit laatste is gebaseerd op een correcte interpretatie van het ECG, eerstelijns diagnostisch hulpmiddel bij de beoordeling van patiënten met vermoedelijke ACS.

De huidige zorgstandaard voor ACS omvat een 12-lead ECG dat binnen de eerste 10 minuten na het eerste medische contact moet worden uitgevoerd. De ECG moet worden geïnterpreteerd door een gekwalificeerde arts, die de oproepcardioloog zal waarschuwen om de activering van de "infarctcode" te bevestigen of niet, gebaseerd op de ECG en de klinische presentatie. Een dergelijke activering zal voornamelijk onmiddellijke overdracht van de patiënt naar het dichtstbijzijnde ziekenhuis met zich meebrengen met de mogelijkheid van noodcoronaire angiografie (indien niet aanwezig in de initiële instelling), en uiteindelijke percutane coronaire interventie (PCI). Wat betreft de diagnose van acuut myocardinfarct (AMI), is een nauwkeurige en snelle interpretatie van de eerste ECG van cruciaal belang voor de differentiële diagnose tussen STEMI, NSTEMI of onstabiele angina; en volg de juiste richtlijnen voor zorg voor zorg. De grootste vertragingen doen zich voor tussen de eerste ECG en het transport voor het laboratorium van het hartkatheterisatie, dat prognostische implicaties heeft.

In de afgelopen jaren zijn automatische digitale tools op basis van kunstmatige intelligentie (AI) voorgesteld als een oplossing om artsen te ondersteunen bij de ECG-interpretatie, het verminderen van hun werklast en time-to-diagnose, wat suggereert dat de gunstige impact van AI-platforms voor een nauwkeurige diagnose van AMI. In deze instelling moeten de AI-platforms automatisch ECG-patronen kunnen detecteren die zijn gekoppeld aan ongunstige coronaire anatomie en slechte resultaten. Het is ook essentieel om het vermogen te hebben om subtielere ECG-patronen te identificeren, niet duidelijk tijdens de interpretatie van artsen, maar wat een risicovolle coronaire anatomie aangeeft. Bovendien moet het platform de voorspelling van de meest ernstige coronaire laesies helpen, met name obstructieve stenose. Dit vermogen om coronaire laesies te detecteren kan nuttig zijn bij het voorkomen van onnodige of voortijdige activering van het katheterisatielaboratorium, voornamelijk in Nstemi -setting.

De Assist Clinical Study is een cross-sectioneel, multicenter-onderzoek dat gericht is op het verzamelen van gegevens om het WILLEM ™ -platform te ontwikkelen, een AI-gebaseerd hulpmiddel voor ECG-analyse. Deze plataform zou de nauwkeurigheid voor AMI -diagnose kunnen verbeteren, met name de differentiatie tussen STEMI en NSTEMI, en vroege identificatie van patiënten met occlusie myocardinfarct (OMI).