24项研究、27个算法显示AI诊断AMI的汇总性能很高，但真实流程比较、校准、偏倚和可迁移性仍决定其能否临床落地。
专家导读
AI诊断AMI的指标看起来很高，但能否覆盖STEMI与NSTEMI，并真正补足心电图和肌钙蛋白的短板？这项Meta分析汇总所有可用验证与测试队列，给出分型表现和数据源差异。
文章脉络思维导图
全文解读
系统综述与Meta分析纳入24项研究的27个AI诊断算法，共166,052名患者，其中18,850人（11.3%）最终诊断AMI。研究使用分层模型汇总受试者工作特征曲线、敏感度与特异度，并按STEMI、NSTEMI、算法类型和数据源分层。
总体AUC为0.97，敏感度0.93，特异度0.92。STEMI的AUC为0.96、敏感度0.91、特异度0.94；NSTEMI相应为0.97、0.95和0.90。深度学习与非深度学习之间未见显著差异。
数据源暴露出互补短板：心电图模型的敏感度相对较低，基于肌钙蛋白的模型特异度相对较低。汇总性能因此更适合作为研究基线，而不是证明某个模型已经优于ESC 0/1小时路径；当前直接头对头比较仍有限。
下一步需要前瞻性、多中心、连续入组的真实急诊验证，在同一人群比较AI与常规路径，并报告校准、亚组公平性、误诊后果、决策曲线和对再灌注时间的实际影响。只有诊断指标转化为安全、可执行的流程增益，才具有部署价值。
对中医药和中西医结合研究的启发
该研究更适合中西医结合急诊流程的方法学借鉴：可用AI完成AMI早期分层，但证候采集只能在不延误心电图、肌钙蛋白和再灌注的前提下开展；后续研究可检验证候与炎症/代谢特征是否为预后模型提供增量，而非替代急诊诊断。
可延伸选题
- AI加入ESC 0/1小时路径后能否减少漏诊且不增加不必要导管室激活？
- 不同年龄、性别、肾功能和多病共存亚组的校准是否一致？
- 多模态模型在外部医院能否保持性能并缩短再灌注时间？