Konstgjord intelligens skalbar lösning för St-hjärtinfarkt: tvärsnittsstudie (ASSIST)

Förseningar i triage och diagnos av patienter som presenteras med bröstsmärta eller andra symtom som tyder på akut koronarsyndrom (ACS) kan vara dödligt. Denna studie syftar till att förbättra dessa två aspekter i akut ischemisk sjukdomsvård: minska förseningarna till intervention och förbättra noggrannheten för initial diagnos, som är av största vikt i fall av ACS, särskilt i STEMI. Den förstnämnda spelar en kritisk roll för att minimera dödligheten på sjukhus, som har visat sig minska proportionellt med minskning av tider till intervention. Det senare förlitar sig på en korrekt tolkning av Diagnostic-verktyget för EKG i EKG i bedömningen av patienter med misstänkt AC.

Den nuvarande vårdstandarden för ACS inkluderar en 12-ledande EKG som bör utföras inom de första 10 minuterna från den första medicinska kontakten. EKG måste tolkas av en kvalificerad läkare, som kommer att varna kardiologen på samtal för att bekräfta eller inte aktiveringen av "infarktkoden", baserad på EKG och klinisk presentation. Sådan aktivering kommer huvudsakligen att innebära omedelbar överföring av patienten till närmaste sjukhus med möjlighet till akut koronarangiografi (om den inte finns i den första institutionen) och eventuellt perkutan koronarintervention (PCI). Beträffande diagnosen akut hjärtinfarkt (AMI) är en korrekt och snabb tolkning av den första EKG avgörande för den differentiella diagnosen mellan STEMI, NSTEMI eller instabil angina; och följ rätt standard för vårdriktlinjer. De största förseningarna inträffar mellan den första EKG och transport för hjärtkateteriseringslaboratoriet, vilket har prognostiska konsekvenser.

Under de senaste åren har automatiska digitala verktyg baserade på artificiell intelligens (AI) föreslagits som en lösning för att stödja läkare i EKG-tolkningen, vilket minskar deras arbetsbelastning och tid-till-diagnos, vilket tyder på den gynnsamma effekten av AI-plattformar för exakt diagnos av AMI. I den här inställningen bör AI-plattformarna kunna detektera EKG-mönster automatiskt till ogynnsam koronaranatomi och dåliga resultat. Det är också viktigt att ha förmågan att identifiera mer subtila EKG-mönster, inte uppenbart under läkarnas tolkning, utan indikerar högriskkoronaranatomi. Dessutom bör plattformen hjälpa förutsägelsen av de flesta allvarliga koronarskador, särskilt obstruktiv stenos. Denna förmåga att upptäcka koronarskador kan vara användbar för att förhindra onödig eller för tidig aktivering av kateteriseringslaboratoriet, främst i NSTEMI -miljö.

Assist Clinical Study är en tvärsnitt, multicenterstudie som syftar till att samla in data för att utveckla Willem ™ -plattformen, ett AI-baserat verktyg för EKG-analys. Denna plataform kan förbättra noggrannheten för AMI -diagnos, särskilt differentieringen mellan STEMI och NSTEMI, och tidig identifiering av patienter med occlusion -hjärtinfarkt (OMI).