The Accuracy of Artificial Intelligence-Based Models Applied to 12-Lead Electrocardiograms for the Diagnosis of Acute Coronary Syndrome: A Systematic Review
Notice bibliographique
Résumé
Objectives: This systematic review aims to evaluate the diagnostic accuracy of artificial intelligence (AI) algorithms in acute coronary syndrome (ACS) detection using 12-lead electrocardiograms (ECGs). Methods: Adhering to Preferred Reporting Items for Systematic Reviews guidelines, Ovid MEDLINE, Ovid Embase, Cochrane Central, and Cochrane Database of Systematic Reviews were searched up to June 15, 2023. Eligible studies involved adults with suspected ACS and employed AI for 12-lead ECG interpretation. The primary outcomes were sensitivity and specificity, with secondary outcomes including positive predictive value (PPV), negative predictive value (NPV), and accuracy. Risk of bias was evaluated using Prediction model Risk Of Bias Assessment Tool (PROBAST). Results: From 2051 records, 24 studies were included. The sensitivity of AI-based diagnosis for ACS among the 24 studies varied from 68% to 98%, and the specificity varied from 41% to 98%. For subgroup analysis of ST-elevated myocardial infarction/occlusion myocardial infarction, sensitivity ranged from 68% to 97% and specificity from 68% to 99%. AI models outperformed clinicians interpreting ECGs retrospectively without knowledge of outcomes in sensitivity (90% of studies) and PPV (100% of studies), whereas clinicians had better NPV (70% of studies). One study compared AI with real-time emergency department physician interpretations. Three studies reported code availability. Thirty-eight percentage of studies showed a high risk of bias, with 50% showing unclear risk, although applicability concerns were minimal. Conclusion: AI models show high diagnostic accuracy for ACS using 12-lead ECGs, with potential to enhance early diagnosis. However, variability in performance, transparency challenges with limited code availability, a high risk of bias in some studies, and minimal real-time comparisons underscore the necessity for standardized reporting and open-access practices.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,102 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,011 | 0,016 |
| Bibliométrie | 0,010 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».