在美国，急性胸痛（ACP）综合征每年在急诊科（ED）就诊的人数超过700万，是最常见的就诊原因之一（占所有ED就诊人数的5.5%）。这些病人中的少数（范围，2.0%-7.5%）被诊断为ACP综合征的三个主要心血管原因之一：急性冠脉综合征（ACS）、肺栓塞（PE）或主动脉夹层。然而，这些疾病具有威胁生命的性质，而临床评估（如心电图）和血液检查（如d-二聚体检测）的特异性较低，使大量患者接受了不必要的心血管和肺部诊断成像。由于急诊科在与高患者人数和医院床位短缺作斗争，有效地分流ACS、PE或主动脉夹层风险很低的患者可以提高资源和成本效率。

现阶段，深度学习（DL）已被用于诊断肺炎和气胸等情况，可提高护理的效率及诊断准确性。 出现ACP综合征症状的ED患者通常会接受初始胸片检查，并可能从这种DL分析中受益。

近日，发表在Radiology杂志的一项研究评估了对出现ACP综合征的ED患者的初始胸片的DL分析用于预测30天ACS、PE、主动脉夹层或全因死亡的价值，为进一步提供临床的诊断准确性并降低检查成本及时间提供了技术支持。

本项回顾性研究使用了2005年1月至2015年12月期间在两家医院（马萨诸塞州综合医院[MGH]、布莱根妇女医院[BWH]）接受胸片检查和额外的心血管或肺部成像或压力测试的ACP综合症患者的电子健康记录。对MGH的23 005名患者进行了DL模型训练，以预测基于胸片的ACS、PE、AD和全因死亡率的30天复合终点。使用接受者操作特征曲线下的面积（AUC）来比较模型（模型1：年龄+性别；模型2：模型1+传统肌钙蛋白或二聚体阳性；模型3：模型2+DL预测）在来自MGH和BWH的内部和外部测试集中的表现。

在MGH，共有5750名患者（平均年龄，59岁±17[SD]；3329名男性，2421名女性）被纳入评估。与模型2和模型1相比，包括DL预测的模型3明显提高了对复合结局患者的区分度（AUC，0.85 [95% CI: 0.84, 0.86] vs 0.76 [95% CI: 0.74, 0.77] vs 0.62 [95% CI: 0.60 0.64]，均为P < .001）。当使用99%的敏感性阈值时，使用模型3有14%的患者（5750人中的813人）可以推迟心血管或肺部检查以鉴别诊断ACP综合征，而使用模型2有2%的患者（5750人中的98人）（P < .001）。模型3在不同的年龄、性别、种族和民族群体中保持其诊断性能。在BWH的外部验证中（22 764名患者；平均年龄，57岁±17；11 470名女性）的趋势相似，并在微调后有所改善。

图 模型预测30天综合终点的诊断性能，按种族和民族分层。数据为接受者操作特征（AUC）曲线下的面积，括号内为95%CI。模型1，年龄+性别；模型2，模型1+血清生物标志物阳性；模型3，模型2+来自胸片的深度学习（DL）预测；模型DL，来自胸片的DL预测。模型1-3的AUC值之间的所有统计学比较都有意义（P < .001）。综合终结点是指急诊科登记后30天内的主动脉夹层或全因死亡

本项概念验证研究表明，对急诊科初始胸部放射线图的深度学习评估可以帮助临床识别有不良后果风险的急性胸痛（ACP）综合症患者。研究所提出的深度学习模型可以根据最初的胸部X光片对ACP综合症患者进行快速分流，为临床提供了技术支持。、

原始出处：

Márton Kolossváry,Vineet K Raghu,John T Nagurney,et al.Deep Learning Analysis of Chest Radiographs to Triage Patients with Acute Chest Pain Syndrome.DOI:10.1148/radiol.221926