Für den Monat März 2025 geht das „Paper of the Month“ der Medizinischen Fakultät der Universität Münster an:

Büscher A, Plagwitz L, Yildirim K, Brix TJ, Neuhaus P, Bickmann L, Menke AF, van Almsick VF, Pavenstädt H, Kümpers P, Heider D, Varghese J, Eckardt L. Deep Learning Electrocardiogram Model for Risk Stratification of Coronary Revascularization Need in the Emergency Department. Eur Heart J. 2025 Mar 29: ehaf254

Begründung der Auswahl:
Patientinnen und Patienten mit Herzinfarkt müssen rasch behandelt werden. Doch aufgrund von unklaren EKG-Befunden oder Biomarker-Ergebnissen kann es schwierig sein, zu beurteilen, ob eine koronare Revaskularisation, etwa durch Stentimplantation oder eine Bypass-Operation, erforderlich ist. In der vorliegenden Arbeit wurde ein Deep-Learning-Modell entwickelt, das EKG-Muster identifiziert, die auf die Notwendigkeit einer Revaskularisation hinweisen. Das Open-Source-Modell konnte sowohl die Notwendigkeit einer Revaskularisation als auch einen atherothrombotischen Myokardinfarkt mit höherer Präzision erkennen als eine ärztliche EKG-Befundung. Es erreichte annähernd die diagnostische Wertigkeit des hochsensitiven Troponin-T-Tests, dem aktuellen Goldstandard in der Herzinfarktdiagnostik. Es besitzt somit das Potenzial, künftig eine wertvolle Entscheidungshilfe in der kardiovaskulären Versorgung zu werden

Zu Hintergrund, Fragestellung und Bedeutung der Publikation:
In der Notaufnahme (NA) ist bei Verdacht auf ein akutes Koronarsyndrom eine rasche Risikostratifizierung entscheidend. Das 12-Kanal-EKG ist hierfür unverzichtbar, jedoch ist die Diagnose einer Ischämie ohne eindeutige ST-Hebungen schwierig, da entsprechende Veränderungen subtil und unspezifisch sein können. Kardiale Biomarker können auch außerhalb von Herzinfarkten erhöht sein, was die diagnostische Unsicherheit in der NA erheblich erhöht.

Diese Studie stellt ein neues, EKG-basiertes Deep-Learning-Modell (DL) für Notaufnahmepatientinnen und patienten vor, das interventionsbedürftige Koronarstenosen und Typ-1-Myokardinfarkte (MI) erkennt. Es übertrifft die standardmäßige ärztliche EKG-Befundung und erreicht fast das Niveau des Goldstandards hochsensitives Troponin T (hs-TnT). Durch die Einteilung in Niedrig-, Mittel- und Hochrisikogruppen unterstützt es klinische Entscheidungen und verringert Variabilität in der EKG-Befundung. Zudem bietet es höhere Spezifität und erkennt viele Typ-1-MIs trotz niedriger initialer Troponinwerte, was eine wertvolle diagnostische Synergie nahelegt. Die externe Validierung in verschiedenen Notaufnahme-Kollektiven bestätigt eine robuste Übertragbarkeit und könnte die EKG-Interpretation standardisieren.

Das DL-Modell verbessert die Erkennung interventionsbedürftiger Koronarstenosen und von Typ-1-Myokardinfarkt in der Notaufnahme. Es bietet hohe Spezifität, ergänzt Troponinbefunde und standardisiert die Risikostratifizierung. Künftige Studien sollten Auswirkungen des Modells auf klinische Abläufe und Patientenergebnisse untersuchen.

Background and fundamental question of the publication:
Among emergency department (ED) patients with suspected acute coronary syndrome (ACS), rapid risk stratification is crucial. While the 12-lead ECG is essential, diagnosing ischemia without clear ST-elevation remains challenging due to subtle and nonspecific ECG changes. Clinical decisions often rely on elevated biomarker levels, which also commonly occur in non-MI conditions, significantly increasing diagnostic uncertainty during ED workup.

This study introduces a novel ECG-based deep learning (DL) model to detect coronary revascularization needs and type 1 myocardial infarction (MI) in ED patients. It outperforms standard clinician ECG interpretation, while nearly matching the gold standard biomarker high-sensitivity troponin T (hs-TnT) in overall accuracy. Stratification into low-, intermediate-, and high-risk groups aids decision making and reduces clinician inter-rater variability. The model complements hs-TnT by providing higher overall specificity and recognizing many type 1 MIs despite initially low troponin, indicating valuable diagnostic synergy. External validation across diverse ED populations confirms robust generalizability, suggesting potential to standardize ECG interpretation.

The DL model improves detection of revascularization needs and type 1 MI in ED patients. It offers high specificity, complements troponin results, and standardizes risk stratification. Future research should assess real-world impacts on clinical workflows and patient outcomes.

Die bisherigen ausgezeichneten „Papers of the Month“ finden Sie HIER