Department of Cardiology Radboud University Medical Center Nijmegen The Netherlands.
J Am Heart Assoc. 2020 Oct 20;9(19):e016727. doi: 10.1161/JAHA.120.016727. Epub 2020 Oct 2.
Background In cardiac arrest, computerized analysis of the ventricular fibrillation (VF) waveform provides prognostic information, while its diagnostic potential is subject of study. Animal studies suggest that VF morphology is affected by prior myocardial infarction (MI), and even more by acute MI. This experimental in-human study reports on the discriminative value of VF waveform analysis to identify a prior MI. Outcomes may provide support for in-field studies on acute MI. Methods and Results We conducted a prospective registry of implantable cardioverter defibrillator recipients with defibrillation testing (2010-2014). From 12-lead surface ECG VF recordings, we calculated 10 VF waveform characteristics. First, we studied detection of prior MI with lead II, using one key VF characteristic (amplitude spectrum area [AMSA]). Subsequently, we constructed diagnostic machine learning models: model A, lead II, all VF characteristics; model B, 12-lead, AMSA only; and model C, 12-lead, all VF characteristics. Prior MI was present in 58% (119/206) of patients. The approach using the AMSA of lead II demonstrated a C-statistic of 0.61 (95% CI, 0.54-0.68). Model A performance was not significantly better: 0.66 (95% CI, 0.59-0.73), =0.09 versus AMSA lead II. Model B yielded a higher C-statistic: 0.75 (95% CI, 0.68-0.81), <0.001 versus AMSA lead II. Model C did not improve this further: 0.74 (95% CI, 0.67-0.80), =0.66 versus model B. Conclusions This proof-of-concept study provides the first in-human evidence that MI detection seems feasible using VF waveform analysis. Information from multiple ECG leads rather than from multiple VF characteristics may improve diagnostic accuracy. These results require additional experimental studies and may serve as pilot data for in-field smart defibrillator studies, to try and identify acute MI in the earliest stages of cardiac arrest.
在心脏骤停中，心室颤动（VF）波形的计算机分析提供预后信息，而其诊断潜力则是研究的主题。动物研究表明，VF 形态受先前心肌梗死（MI）的影响，而急性 MI 的影响更大。这项在人类中的实验研究报告了 VF 波形分析在识别先前 MI 方面的鉴别价值。研究结果可能为急性 MI 的现场研究提供支持。
我们对植入式心脏复律除颤器（ICD）受检者进行了一项前瞻性登记，这些受检者接受了除颤测试（2010-2014 年）。我们从 12 导联体表心电图 VF 记录中计算了 10 个 VF 波形特征。首先，我们使用一个关键的 VF 特征（幅度谱面积 [AMSA]）研究了导联 II 对先前 MI 的检测。随后，我们构建了诊断机器学习模型：模型 A，导联 II，所有 VF 特征；模型 B，12 导联，仅 AMSA；和模型 C，12 导联，所有 VF 特征。在 206 例患者中，58%（119/206）患者存在先前 MI。使用导联 II 的 AMSA 的方法显示出 0.61（95%置信区间，0.54-0.68）的 C 统计量。模型 A 的性能没有显著提高：0.66（95%置信区间，0.59-0.73），=0.09 与导联 II 的 AMSA 相比。模型 B 产生了更高的 C 统计量：0.75（95%置信区间，0.68-0.81），<0.001 与导联 II 的 AMSA 相比。模型 C 并没有进一步提高这一点：0.74（95%置信区间，0.67-0.80），=0.66 与模型 B 相比。
这项概念验证研究首次在人类中提供了证据，表明使用 VF 波形分析进行 MI 检测似乎是可行的。来自多个心电图导联的信息而不是来自多个 VF 特征的信息可能会提高诊断准确性。这些结果需要进一步的实验研究，并可能为现场智能除颤器研究提供试点数据，以尝试在心脏骤停的早期阶段识别急性 MI。
