Das erste Highlight war eine Arbeit, die von Dr. Sascha Macherey-Meyer (Universitätsklinikum Köln) in der Session Young Investigator Award präsentiert wurde.2
In der Studie wurde ein KI-Modell zur EKG-Auswertung für die Detektion von akuten Koronar-Okklusionen (ACO) verglichen mit den Kriterien für einen ST-Elevations-Myokardinfarkt (STEMI) bei Personen, die sich mit Brustschmerzen und Verdacht auf akuten Myokardinfarkt (AMI) in der Notaufnahme vorstellten. Insgesamt wurden 4.104 Personen eingeschlossen (Durchschnittsalter 54,5 Jahre und 62,7 % Männer). 19,9 % der Personen wurden zur Angiographie überwiesen, während 73,1 % nach hs-cTnT-Algorithmus als Rule-Out-Kohorte (niedriges Risiko) eingestuft wurden. Für das KI-Modell vs. STEMI wurden folgende Kenngrößen bestimmt: Genauigkeit 97,8 % vs. 92 %, Sensitivität 70,2 % vs. 28,8 %, Spezifität 98,5 % vs. 93,7 % und negativer prädiktiver Wert 99,2 % vs. 98,1 %. In der Rule-Out-Kohorte (n=2.999) führte das AI-Modell in 0,7 % (n=20, Spezifität: 99,3 %) der Fälle zu falsch positiven Ergebnissen vs. 5 % (n=150, Spezifität: 95 %) bei Verwendung der STEMI-Kriterien.
Zusammengefasst übertrafen die Vorhersagen des KI-Modells die konventionellen STEMI-Kriterien: Die ACO-Detektion war genauer und das KI-Modell führte zu weniger falsch positiven ACO-Diagnosen.
Fazit Erik Rafflenbeul: „Es könnte sein, dass zukünftig alle Kliniken eine Software zur EKG-Auswertung benötigen. Dennoch müssen Sie EKG richtig lesen können und es muss gezeigt werden, dass damit auch bessere Outcomes verbunden sind, also weniger Ischämien und ein besseres Überleben.“