12リードECGを使用した急性冠症候群の診断のための機械学習：系統的レビュー

目的：12リード心電図（ECG）を使用した急性冠症候群（ACS）の迅速な診断は、救急医にとって重要なタスクです。ECG解釈のためのコンピューター化されたアルゴリズムの精度は限られていますが、機械学習（ML）モデルは臨床医学のいくつかの分野で有望です。MLベースのECG分析のパフォーマンスを、救急部門（ED）または入院前患者のACSの診断における臨床医または非MLコンピューター化されたECG解釈と比較するために系統的レビューを実施しました。 方法：2022年5月18日までのメドライン、エンマゼ、コクランセントラル、およびシナールデータベースを検索しました。12レッドのみを使用してACSを診断する能力において、MLアルゴリズムを臨床医または非MLベースのソフトウェアを比較した研究を含めました。ECG、EDまたは入院前のACSの胸痛または症状を経験している成人患者。バイアス評価のリスクにQuadas-2を使用しました。Prospero登録CRD42021264765。 結果：検索により1062の要約が得られました。10の研究が包含基準を満たしました。ニューラルネットワーク、ランダムフォレスト、勾配ブーストなど、5つのモデルタイプがテストされました。完全なパフォーマンスデータを使用した5つの研究では、MLモデルは臨床医（感度範囲0.22-0.93、特異性範囲0.44-0.95）よりも感度が低くなりました（感度範囲0.59-0.98、0.44-0.95）ACSの診断において。それを報告した4つの研究では、MLモデルは、臨床医（ROC曲線0.67-0.78の下の面積）よりも優れた識別（ROC曲線範囲0.79-0.98の範囲）を有していました。方法論と報告方法の両方の不均一性は、メタ分析を妨げました。いくつかの研究は、患者の選択、外部検証の欠如、およびACS診断のための信頼できない参照基準により、バイアスのリスクが高かった。 結論：MLモデルは、ACSの診断のためのECG解釈において、臨床医や非MLソフトウェアよりも全体的に識別と感度が高くなりますが、特異性が低くなっています。MLベースのECG解釈は、潜在的に「セーフティネット」としての役割に役立つ可能性があり、診断されていない場合、救急医療提供者に急性MIを逃したことを警告することができます。MLがECG解釈で臨床医よりも優れている能力を明確に実証するには、より厳格な一次研究が必要です。

OBJECTIVES: Prompt diagnosis of acute coronary syndrome (ACS) using a 12-lead electrocardiogram (ECG) is a critical task for emergency physicians. While computerized algorithms for ECG interpretation are limited in their accuracy, machine learning (ML) models have shown promise in several areas of clinical medicine. We performed a systematic review to compare the performance of ML-based ECG analysis to clinician or non-ML computerized ECG interpretation in the diagnosis of ACS for emergency department (ED) or prehospital patients. METHODS: We searched Medline, Embase, Cochrane Central, and CINAHL databases from inception to May 18, 2022. We included studies that compared ML algorithms to either clinicians or non-ML based software in their ability to diagnose ACS using only a 12-lead ECG, in adult patients experiencing chest pain or symptoms concerning for ACS in the ED or prehospital setting. We used QUADAS-2 for risk of bias assessment. Prospero registration CRD42021264765. RESULTS: Our search yielded 1062 abstracts. 10 studies met inclusion criteria. Five model types were tested, including neural networks, random forest, and gradient boosting. In five studies with complete performance data, ML models were more sensitive but less specific (sensitivity range 0.59-0.98, specificity range 0.44-0.95) than clinicians (sensitivity range 0.22-0.93, specificity range 0.63-0.98) in diagnosing ACS. In four studies that reported it, ML models had better discrimination (area under ROC curve range 0.79-0.98) than clinicians (area under ROC curve 0.67-0.78). Heterogeneity in both methodology and reporting methods precluded a meta-analysis. Several studies had high risk of bias due to patient selection, lack of external validation, and unreliable reference standards for ACS diagnosis. CONCLUSIONS: ML models have overall higher discrimination and sensitivity but lower specificity than clinicians and non-ML software in ECG interpretation for the diagnosis of ACS. ML-based ECG interpretation could potentially serve a role as a "safety net", alerting emergency care providers to a missed acute MI when it has not been diagnosed. More rigorous primary research is needed to definitively demonstrate the ability of ML to outperform clinicians at ECG interpretation.