Pendahuluan: Interpretasi EKG yang akurat sangat penting untuk mengidentifikasi kasus infark miokard oklusif (OMI) guna menentukan kebutuhan aktivasi laboratorium kateterisasi (catheterization laboratory activation atau CLA) secara segera. Pola EKG yang setara dengan STEMI (STEMI-equivalent) dan menyerupai STEMI (STEMI-mimic) menyimpang dari kriteria STEMI konvensional, sehingga berisiko klasifikasi yang salah pada kasus OMI. Akurasi diagnostik untuk EKG kompleks ini belum diketahui.

Tujuan: Penelitian ini bertujuan untuk mengukur akurasi dokter dalam menafsirkan EKG STEMI-equivalent dan STEMI-mimic untuk keperluan CLA, dan membandingkannya dengan algoritma kecerdasan buatan (AI) berbasis machine learning, yaitu Queen of Hearts AI (QoH AI).

Metode: Sebanyak 53 dokter gawat darurat (emergency physician atau EP) dan 42 kardiolog menilai 18 EKG, yang terdiri dari 8 STEMI-equivalent, 8 STEMI-mimic, 1 STEMI “biasa”, dan 1 EKG normal sebagai kontrol. Mereka memutuskan apakah setiap EKG menunjukkan OMI yang memerlukan CLA segera. EKG yang sama juga dianalisis oleh QoH AI. Interpretasi dokter dan AI lalu dibandingkan dengan standar referensi berdasarkan angiografi, troponin, ekokardiografi, dan tindak lanjut klinis.

Hasil: Tingkat akurasi interpretasi didapatkan serupa antara dokter emergensi (EP) dan kardiolog (65,6%, 95% CI [51, 78]; 65,5%, 95% CI [51, 77], masing-masing; p = 0,969), tetapi secara signifikan lebih rendah dibandingkan QoH AI (88,9%, 95% CI [82, 93]) vs. dokter secara keseluruhan, 65,6%, 95% CI [52, 77]; p < 0,001). Dokter paling sering keliru mengklasifikasikan pola de Winter, STEMI transien, T-wave hiperakut OMI, dan blok cabang. Sementara itu, QoH AI hanya keliru pada dua jenis, yaitu left bundle branch block (LBBB) dengan OMI dan aneurisma ventrikel kiri tanpa OMI.

Kesimpulan: Dokter sering keliru menafsirkan EKG dengan pola equivalent dan mimic, yang bisa berdampak negatif pada keputusan CLA. Queen of Hearts AI menunjukkan akurasi yang jauh lebih tinggi, yang berpotensi mengurangi kasus OMI yang terlewat dan aktivasi laboratorium kateter yang tidak perlu. Namun, studi prospektif masih diperlukan untuk memvalidasi temuan ini dalam praktik klinis.

Ulasan Alomedika

Reperfusi cepat sangat penting untuk menurunkan angka kematian pada ST-segment elevation myocardial infarction (STEMI). Penelitian ini menghadirkan evaluasi penting dalam penanganan STEMI, khususnya yang berkaitan dengan aktivasi laboratorium kateterisasi jantung, yang menjadi kunci untuk mempercepat reperfusi.

Penelitian ini sangat relevan di bidang kardiologi darurat karena menguji kemampuan manusia (dokter) untuk membuat keputusan krusial, yakni apakah pasien dengan EKG yang tidak jelas layak untuk segera dikirim ke kateterisasi jantung. Alih-alih hanya menggunakan kriteria STEMI klasik (ST elevasi jelas), penelitian ini mengeksplorasi pola EKG yang lebih sulit (equivalent dan mimic) yang secara klinis bisa menandakan OMI, tetapi sering dilewatkan.

Penelitian memberikan gambaran seberapa besar keputusan aktivasi yang tepat dapat mengoptimalkan outcome pasien. Selain itu, penelitian ini juga memaparkan masalah peningkatan aktivasi yang tidak tepat, yang dapat memberikan tekanan tambahan pada sumber daya rumah sakit dan menimbulkan risiko prosedural bagi pasien yang tidak membutuhkan intervensi invasif.

Dengan memasukkan AI (QoH AI) yang dilatih khusus, penelitian ini menunjukkan bahwa mesin bisa lebih andal mengenali pola-pola EKG sulit dibandingkan dokter. Hal ini membuka potensi untuk mengurangi kesalahan klinis, baik undertriage (melewatkan OMI) maupun overtriage (aktivasi kateterisasi yang tidak perlu).

Jika temuan ini bisa diterapkan secara luas, penggunaan AI dalam kondisi darurat dapat meningkatkan efisiensi penggunaan laboratorium kateterisasi, mengurangi biaya, dan menyelamatkan nyawa dengan mendeteksi OMI secara lebih akurat dan cepat.

Ulasan Metode Penelitian

Penelitian ini merupakan survei daring cross-sectional yang melibatkan dokter IGD dan kardiolog untuk menginterpretasi 18 EKG, yang mewakili pola STEMI-equivalent dan STEMI-mimic, yang dipilih melalui scoping review dan diambil dari praktik klinis penulis serta database ECG Stephen Smith. Partisipasi dokter bersifat sukarela. Undangan dikirim via email dan didukung direktur departemen untuk memaksimalkan keterlibatan, sehingga memungkinkan rekrutmen yang luas tanpa paksaan.

Survei dilakukan pada September 2024 sampai April 2025 di RS rujukan STEMI 24 jam, dan peserta diminta menentukan apakah setiap EKG layak untuk aktivasi laboratorium kateterisasi hanya berdasarkan tampilan EKG, tanpa konteks klinis tambahan (kecuali satu kasus STEMI transien). Status OMI ditentukan melalui angiografi atau troponin serial. Sebagai pembanding, EKG juga dianalisis oleh algoritma QoH AI menggunakan PMcardio. EKG dimasukkan menggunakan tangkapan layar iPhone (model OMI AI ECG versi 1.10, 2025).

Hasil kemudian dikategorikan sebagai STEMI/STEMI-equivalent, reperfused OMI, atau no signs of OMI; dengan seluruh kategori yang mengindikasikan OMI diberi label “aktivasi cath-lab.” Baik dokter maupun AI dibutakan terhadap prevalensi OMI dan tidak mendapatkan pelatihan interpretasi EKG sebelum studi. Data survei dienkripsi dan diverifikasi oleh dua peneliti secara independen.

Penelitian menggunakan desain cross-sectional, di mana sekelompok EP dan kardiolog menilai serangkaian EKG yang telah dikurasi. Desain ini memungkinkan pengumpulan data interpretasi EKG dari seluruh partisipan pada satu titik waktu, sehingga prosesnya efisien dan tidak perlu tindak lanjut. Desain cross-sectional juga sesuai untuk tujuan studi, yaitu membandingkan akurasi diagnostik EP, kardiolog, dan AI, karena semua penilai menilai set stimulus yang sama dalam kondisi yang terstandarisasi.

Selain itu, karena data EKG dan diagnosis definitif sudah tersedia sebelumnya, tidak ada perubahan kondisi klinis pasien yang dapat menimbulkan bias. Pendekatan ini juga memberikan kontrol tinggi terhadap variasi morfologi EKG yang sengaja dikurasi, sehingga analisis dapat lebih fokus pada kemampuan interpretasi murni, bukan pada faktor klinis eksternal.

Studi ini juga memiliki kekuatan metodologis tambahan berupa penerapan blinding penuh terhadap prevalensi OMI dan data klinis, sehingga interpretasi benar-benar tergantung pada morfologi EKG.

Semua respons dikumpul melalui platform digital dengan tampilan EKG yang seragam. Data survei diverifikasi dengan double-entry untuk meminimalkan kesalahan input. Selain itu, EKG yang dianalisis AI diproses melalui protokol screenshot terstandarisasi guna menghindari distorsi visual, sehingga perbandingan performa antara dokter dan AI tetap adil, konsisten, dan teknis valid.

Ulasan Hasil Penelitian

Akurasi interpretasi EKG oleh dokter emergensi (EP) dan kardiolog berada pada tingkat yang hampir sama, masing-masing 65,6% (95% CI 51–78) dan 65,5% (95% CI 51–77), tanpa perbedaan bermakna secara statistik (p = 0,969). Namun, kedua kelompok dokter menunjukkan akurasi yang jauh lebih rendah daripada QoH AI, yang mencapai akurasi 88,9% (95% CI 82–93) dengan perbedaan signifikan secara statistik terhadap performa keseluruhan dokter (p<0,001). Temuan ini menegaskan bahwa dokter, termasuk EP dan kardiolog, mengalami keterbatasan untuk mendeteksi OMI terutama ketika pola EKG bersifat ambigu, termasuk STEMI-equivalent dan STEMI-mimic.

Analisis lanjutan dalam penelitian menunjukkan bahwa kesalahan interpretasi manusia paling sering terjadi pada pola EKG yang sulit, seperti pola de Winter, transient STEMI, hyperacute T-wave OMI, dan kasus dengan bundle branch block. Sementara itu, QoH AI tetap menunjukkan performa yang konsisten dan hanya gagal pada dua pola utama, yaitu OMI dengan LBBB dan aneurisma ventrikel kiri tanpa OMI.

Secara keseluruhan, hasil penelitian ini memperlihatkan bahwa dokter manusia memiliki batas akurasi yang signifikan pada kasus-kasus ambigu, sedangkan QoH AI secara konsisten mampu mendeteksi OMI lebih tepat, bahkan dalam kumpulan kasus yang memang dirancang untuk menantang kemampuan interpretasi.

Kelebihan Penelitian

Studi ini bersifat inovatif dan relevan secara klinis karena mengisi kekosongan penting dalam literatur mengenai interpretasi EKG sulit. Karena EKG dipilih secara sengaja untuk mencakup kombinasi pola STEMI klasik, STEMI-equivalent, STEMI-mimic, dan EKG normal, penelitian dapat secara langsung menargetkan area interpretasi yang paling menantang dalam praktik klinis.

Selain itu, penelitian ini menggunakan algoritma AI khusus (QoH AI) yang dilatih secara spesifik untuk mendeteksi OMI, sehingga menghasilkan temuan yang lebih akurat dan sesuai dengan kebutuhan klinis dibandingkan penggunaan AI generik.

Kelebihan penelitian berikutnya adalah interpretasi dokter dan sistem AI dibandingkan dengan standar referensi yang kuat, yaitu diagnosis OMI yang ditetapkan berdasarkan angiografi, biomarker troponin, ekokardiografi, dan tindak lanjut klinis, sehingga validitas hasil lebih tinggi daripada penelitian yang hanya mengandalkan pendapat ahli. Selain itu, penggunaan set EKG yang sama untuk dokter dan AI memungkinkan perbandingan performa yang adil dan langsung antara kedua pihak.

Limitasi Penelitian

Penelitian ini memiliki ukuran sampel EKG yang kecil, yaitu hanya 18 EKG dengan masing-masing mewakili satu pola, sehingga belum mampu menggambarkan ragam morfologi ST–T yang luas di praktik klinis. Pemilihan EKG yang sengaja dikurasi dan didominasi pola ambigu juga menimbulkan spectrum bias, karena tidak mencerminkan spektrum kasus dan prevalensi OMI di dunia nyata.

Selain itu, desain survei interpretatif yang dilakukan dalam lingkungan terkontrol tidak sepenuhnya merepresentasikan dinamika klinis IGD yang penuh interupsi, tekanan waktu, dan variabilitas data pasien. Partisipasi dokter yang sukarela turut berpotensi menimbulkan participant bias, karena responden bisa saja lebih tertarik atau lebih kompeten dalam interpretasi EKG dibanding populasi dokter secara umum.

Generalisasi hasil juga terbatas karena penelitian dilakukan dalam satu sistem rumah sakit komunitas, sehingga variasi pengalaman klinisi, fasilitas, dan protokol tidak dapat diakomodasi. Penetapan prevalensi OMI secara artifisial sebesar 50% juga tidak bisa mencerminkan kondisi klinis sebenarnya dan dapat memengaruhi nilai prediktif hasil.

Meskipun angiografi dijadikan standar referensi utama, beberapa kasus mimic tidak menjalani angiografi dan hanya dinilai menggunakan troponin serial, ekokardiografi, atau clinical follow-up, sehingga standar referensi tidak sepenuhnya homogen. Selain itu, kesalahan pemilihan EKG pada kasus LBBB dengan kriteria mSgarbossa (+) juga dicatat, meskipun analisis sensitivitas menunjukkan temuan utama tidak berubah.

Risiko incorporation bias mungkin muncul karena dokter yang melakukan angiografi tidak dibutakan terhadap EKG, yang berpotensi meningkatkan estimasi sensitivitas. Dari sisi AI, performa QoH AI dapat tampak lebih tinggi pada dataset kecil dan terkurasi, tetapi tetap berisiko mengalami overfitting serta mungkin tidak mempertahankan akurasi yang sama pada populasi nyata dengan variasi EKG yang lebih kompleks.

Selain itu, karena studi ini hanya menilai interpretasi EKG tanpa mempertimbangkan faktor klinis lain seperti gejala, hemodinamik, dan riwayat penyakit, maka baik performa dokter maupun AI kemungkinan akan berbeda ketika diterapkan pada pengambilan keputusan klinis yang sesungguhnya. Oleh karena itu, temuan penelitian ini perlu divalidasi dalam studi yang lebih besar dan dalam konteks praktik klinis nyata.

Aplikasi Hasil Penelitian di Indonesia

Temuan penelitian ini memiliki nilai aplikatif yang besar untuk sistem pelayanan jantung di Indonesia, baik di rumah sakit yang memiliki fasilitas kateterisasi maupun rumah sakit perujuk yang belum dilengkapi layanan tersebut. Integrasi kriteria aktivasi yang lebih presisi, termasuk penggunaan AI dalam interpretasi EKG, dapat membantu dokter IGD mengenali OMI atau STEMI dengan pola sulit secara lebih akurat.

Hal tersebut penting untuk mengurangi missed OMI, mencegah over-aktivasi cath lab, dan mempercepat keputusan klinis yang berdampak langsung pada waktu reperfusi. Bagi rumah sakit dengan fasilitas cath lab, pendekatan ini dapat mengoptimalkan protokol aktivasi sehingga sumber daya tetap efisien dan angka keterlambatan reperfusi menurun.

Indonesia saat ini menerapkan pedoman tata laksana STEMI via Perhimpunan Dokter Spesialis Kardiovaskular (INAHEART) yang menekankan pengenalan EKG dalam 10 menit, aktivasi laboratorium kateterisasi cepat di RS tipe A/B, dan fibrinolitik (FASTEMI) di daerah terpencil tanpa akses PCI. Namun, implementasinya masih terkendala oleh keterbatasan akses laboratorium kateterisasi (hanya di kota besar), beban kerja dokter UGD yang tinggi, dan adopsi teknologi AI kardiologi yang masih terbatas.

Hasil penelitian ini dapat menjadi dasar penting bagi pengembangan SOP nasional terkait triase dan aktivasi laboratorium kateterisasi untuk STEMI, serta menjadi materi pelatihan yang terstandarisasi bagi dokter IGD, dokter RS daerah, hingga kardiolog.

Ke depannya, penerapan AI seperti Queen of Hearts berpotensi meningkatkan kualitas pelayanan kardiovaskular secara signifikan. Akan tetapi, validasi prospektif lokal tetap diperlukan untuk memastikan efek nyata AI untuk memperbaiki door-to-balloon time, angka komplikasi, dan mortalitas di lapangan. Implementasi AI secara luas juga harus mempertimbangkan regulasi, keamanan data, dan integrasi ke sistem rekam medis.