En djupinlärningsmodell för EKG för identifiering och lokalisering av ocklusionsinfarkt

Varför detta är viktigt vid hjärtinfarkter

När någon drabbas av en hjärtinfarkt kan varje minut utan behandling skada hjärtmuskel. Läkare förlitar sig vanligtvis på en snabb hjärtregistrering kallad EKG och blodprover för att avgöra vem som behöver ett brådskande ingrepp. Men dessa verktyg missar ofta farliga blockeringar eller indikerar åtgärder för personer som egentligen inte behöver akut behandling. Denna studie visar hur artificiell intelligens kan läsa EKG för att mer exakt upptäcka och till och med lokalisera allvarliga blockeringar, vilket kan hjälpa till att få rätt patienter till livräddande behandling snabbare.

Letar efter tilltäppta «rör» i hjärtat

Inte alla hjärtinfarkter är likadana. Vissa orsakas av ett helt eller nästan helt blockerat kranskärl, en situation som författarna kallar ocklusionshjärtinfarkt. Dessa är de patienter som mest akut behöver ett ingrepp för att återöppna kärlet. Problemet är att standardreglerna fokuserar på ett mönster kallat ST-höjning på EKG, vilket bara syns i en bråkdel av dessa farliga fall och kan orsakas av andra tillstånd. Som en följd missas vissa patienter medan andra genomgår onödiga invasiva procedurer. Forskarna satte upp målet att bygga en datoriserad modell som kan analysera den råa EKG-signalen och känna igen både förekomsten av en akut blockering och vilken av huvudartärerna i hjärtat som är inblandad.

Träning av en modell på hundratusentals EKG

Teamet använde data från den svenska akutmottagningsdatabasen, som kopplar samman akuta patientbesök, EKG-inspelningar och detaljerade resultat från kranskärlsröntgen (angiografi). De samlade mer än 540 000 EKG från omkring 226 000 vuxna patienter som besökte akutmottagningar i Stockholmsregionen mellan 2005 och 2016. För varje infarktfallet hade läkarna som utförde angiografin redan fastställt om det fanns en färsk fullständig blockering och vilket huvudkärl som var orsaken. Med dessa objektiva ingreppsfynd som sanning (ground truth) tränade forskarna en djupinlärningsmodell, en typ av neuralt nätverk som kan känna igen komplexa mönster i signaler, för att klassificera EKG i flera kategorier, inklusive blockerad kontra icke-blockerad infarkt och det specifika skuldiga kärlet.

Hur väl modellen upptäcker fara

I en svensk testuppsättning som hölls utanför träningen visade modellen en mycket stark förmåga att skilja akuta blockeringar från andra patienter. Dess prestationsmått, C-statistiken, nådde åtminstone 0,95 för att upptäcka ocklusionsinfarkter och minst 0,87 för icke-ocklusionsinfarkter. Vid en låg falsk larmfrekvens på 5 procent identifierade modellen korrekt ungefär 87 procent av ocklusionsfallen. Den presterade också väl när det gällde att avgöra vilken av de tre stora kranskärlen som var blockerade, även om separeringen av två specifika lokalisationer — svår även för mänskliga experter — förblev utmanande. Prestandan var i stort sett likartad över olika åldrar, kön, EKG-maskintyper och kalenderår, med något bättre noggrannhet bland yngre patienter och dem utan vissa långvariga hjärtledningsproblem.

Testning av modellen i andra länder

För att se om verktyget höll även utanför Sverige testade författarna det på tre ytterligare EKG-samlingar från Europa och Brasilien. I en brasiliansk akutkohort med angiografibaserade etiketter skiljde modellen fortfarande ocklusionsinfarkter väl från kontroller, särskilt för de fall som visade klassisk ST-höjning. I två stora databaser där endast bredare etiketter såsom infarkt med ST-höjning och ett vanligt ledningsblock fanns tillgängliga, presterade modellen också starkt. Faktum är att för att förutsäga ST-höjningsinfarkter i en av dessa databaser överträffade den svenska modellen en annan modell som tränats direkt på dessa lokalt mänskligt tilldelade etiketter, vilket tyder på att träning på objektiva angiografifynd kan ge systemet en djupare förståelse för den underliggande sjukdomen.

Vad detta kan innebära för patienter

Denna studie visar att en datoriserad modell kan använda vanliga EKG, tillsammans med grundläggande uppgifter som ålder och kön, för att snabbt identifiera vilka patienter som sannolikt har ett färskt blockerat kranskärl och var blockeringen sitter. Eftersom metoden inte är beroende av blodprover eller av att läkare är överens om subtila EKG-mönster, kan den förkorta tiden från första medicinska kontakten till återöppning av kärlet och minska onödiga akuta ingrepp. Författarna betonar att deras verktyg fortfarande behöver testas i kliniska prövningar som följer patientutfall innan det används i rutinmässig vård, men det pekar mot en framtid där smart EKG-analys hjälper till att säkerställa att rätt personer kommer till kranskärlsröntgen i rätt tid.

Citering: Gustafsson, S., Ribeiro, A.H., Gedon, D. et al. A deep learning ECG model for identification and localization of occlusion myocardial infarction. Nat Commun 17, 4336 (2026). https://doi.org/10.1038/s41467-026-73023-1

Nyckelord: elektrokardiogram, djupinlärning, hjärtinfarkt, kranskärlsocklusion, medicinsk AI