Real-world insights from an AI-ECG decision support platform: AI vs. blinded HCP STEMI ECG interpretation
Notice bibliographique
Résumé
Abstract Background Early and accurate identification of ST-elevation myocardial infarction (STEMI) is critical for timely reperfusion therapy and improved patient outcomes. However, the accuracy of STEMI detection via ECG interpretation varies among healthcare professionals (HCPs). Artificial intelligence (AI)-assisted ECG interpretation has the potential to reduce this variability and enhance diagnostic accuracy, particularly in real-world settings with diverse provider expertise. Purpose To compare the diagnostic performance of AI-assisted ECG analysis and self-reported HCP interpretations in STEMI detection using a real-world dataset from an AI-integrated ECG analysis platform. Methods A total of 4,598 consecutive 12-lead ECGs were uploaded to an AI ECG platform between June 2023 and January 2024 by 1,423 users for AI decision support. Two expert physicians provided the reference standard, classifying 1,527 (33%) ECGs as STEMI. The AI ECG Model was evaluated on the full dataset. For 1,423 (30%) ECGs, 356 HCPs provided a self-declared initial interpretation, blinded to the AI output. These HCPs included 65 (18%) cardiologists, 199 (56%) non-cardiologist physicians, and 92 (26%) non-physician HCPs. Diagnostic performance for STEMI detection was assessed using sensitivity, specificity, PPV, NPV, and F1 score, with 95% confidence intervals calculated using the Wilson Score Interval and statistical significance determined via the Chi-Square Test. Results The AI ECG Model significantly outperformed HCPs across all evaluated metrics (p < 0.001). When tested on 4,598 ECGs, AI achieved 93.5% sensitivity, 87.0% specificity, 78.0% PPV, 96.4% NPV, and an F1 score of 85.1%. In contrast, HCPs across all training levels had 84.6% sensitivity, 73.2% specificity, 55.8% PPV, 92.3% NPV, and an F1 score of 67.2%. Performance comparison by HCP role showed that cardiologists had significantly higher PPV (66.9%) than non-cardiologist physicians (56.7%) and non-physicians (52.0%) (p = 0.012), though sensitivity, specificity, and NPV did not differ significantly. AI remained superior to all subgroups (p < 0.05). Conclusion The AI ECG Model demonstrated significantly higher diagnostic accuracy than healthcare professionals overall, including cardiologists. AI-assisted ECG analysis may improve early STEMI detection, reduce misdiagnoses, and support clinical decision-making. Further research is warranted to evaluate its impact on time to reperfusion and patient outcomes.Figure 1
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».