Kunstig intelligens skalerbar løsning for ST Myocardial Infarction: Tverrsnittsstudie (ASSIST)

Forsinkelser i triage og diagnose av pasienter som ble presentert med brystsmerter eller andre symptomer som tyder på akutt koronarsyndrom (ACS) kan være dødelig. Denne studien har som mål å forbedre de to aspektene i akutt iskemisk sykdomsomsorg: å redusere forsinkelsene til intervensjon og forbedre nøyaktigheten av den første diagnosen, som er av største betydning i tilfeller av ACS, spesielt i STEMI. Førstnevnte spiller en kritisk rolle i å minimere dødeligheten på sykehus, som har vist seg å avta proporsjonalt med reduksjon av tider til intervensjon. Sistnevnte er avhengig av en riktig tolkning av EKG, førstelinjediagnostisk verktøy i vurderingen av pasienter med mistenkt ACS.

Den nåværende omsorgsstandarden for ACS inkluderer en 12-bly EKG som bør utføres i løpet av de første 10 minuttene fra den første medisinske kontakten. EKG må tolkes av en kvalifisert lege, som vil varsle kardiologen på ring for å bekrefte eller ikke aktiveringen av "Infarction Code", basert på EKG og klinisk presentasjon. Slik aktivering vil hovedsakelig innebære øyeblikkelig overføring av pasienten til nærmeste sykehus med mulighet for nødkoronar angiografi (hvis ikke til stede i den første institusjonen), og eventuell perkutan koronar intervensjon (PCI). Når det gjelder diagnose av akutt hjerteinfarkt (AMI), er en nøyaktig og rask tolkning av det første EKG kritisk for differensialdiagnosen mellom STEMI, NSTEMI eller ustabil angina; og følg den riktige retningslinjene for omsorg. De største forsinkelsene oppstår mellom det første EKG og transport for hjertekateteriseringslaboratoriet, som har prognostiske implikasjoner.

De siste årene har automatiske digitale verktøy basert på kunstig intelligens (AI) blitt foreslått som en løsning for å støtte leger i EKG-tolkningen, noe som reduserer arbeidsmengden og tid-til-diagnosen, noe som antyder den gunstige effekten av AI-plattformer for nøyaktig diagnose av AMI. I denne innstillingen skal AI-plattformene kunne oppdage EKG-mønstre automatisk koblet til ugunstige koronaranatomi og dårlige utfall. Det er også viktig å ha kapasitet til å identifisere mer subtile EKG-mønstre, ikke åpenbart under legenes tolkning, men som indikerer høyrisiko koronar anatomi. I tillegg skal plattformen hjelpe til med prediksjon av mest alvorlige koronarlesjoner, spesielt obstruktiv stenose. Denne evnen til å oppdage koronarlesjoner kan være nyttig for å forhindre unødvendig eller for tidlig aktivering av kateteriseringslaboratoriet, hovedsakelig i NSTEMI -setting.

Assist Clinical Study er en tverrsnitt, multisenterstudie som tar sikte på å samle inn data for å utvikle Willem ™ -plattformen, et AI-basert verktøy for EKG-analyse. Denne plataformen kan forbedre nøyaktigheten for AMI -diagnose, spesielt differensieringen mellom STEMI og NSTEMI, og tidlig identifisering av pasienter med okklusjons hjerteinfarkt (OMI).