Artificial Intelligence vs. Human Expertise in Diagnosing Acute Coronary Syndromes: A Meta-Analysis Focusing on 12-Lead Electrocardiogram Model
Notice bibliographique
Résumé
Background: Machine Learning (ML) is a branch of artificial intelligence (AI) that uses algorithms to produce models capable of performing complex tasks. Diagnosing acute coronary syndromes (ACS) without myocardial damage is still subjective and relies heavily on the clinical expertise of healthcare professionals to interpret electrocardiograms (ECG). Artificial intelligence can help accelerate the diagnosis of ACS, prompting early intervention and better clinical outcomes. Objective: This study evaluates the diagnostic accuracy of ML-based AI versus healthcare professionals in identifying ACS from 12-lead ECGs. Method: A comprehensive search was done on electronic databases, including PubMed, Embase, MEDLINE, and Science Direct. Keywords used include artificial intelligence, electrocardiography, acute coronary syndrome, and diagnostic accuracy. All eligible studies were assessed using the New Castle Ottawa Scale (NOS). A meta-analysis on diagnostic test accuracy using Review Manager (RevMan) Version 5.4 was conducted. Result: A total of 8 studies with fair or good quality were included, encompassing 22.731 ACS patients. Overall, the application of machine learning shows superiority over healthcare expertise, especially regarding sensitivity. The sensitivity range of artificial intelligence usage ranged from 0.75–0.98, while that of healthcare professionals ranged from 0.50–0.77. For specificity, the range was 0.91–1.00 and 0.85–0.96 for AI and healthcare professional expertise, respectively. Conclusion: The results of recent evidence demonstrated the superiority of AI in detecting subtle ischemic ECG changes indicative of ACS, offering independence from observer variability. Continued refinement of AI models could enhance diagnostic reliability and patient outcomes. Keywords: Artificial intelligence; human expertise; electrocardiogram
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».