Hjertestans er den vanligste årsaken til plutselig død blant idrettsutøvere. Dette skyldes ofte arvelige hjertesykdommer som blant annet kan oppdages på et elektrokardiogram (EKG). I denne studien ble to problemstillinger undersøkt: (1) Om tolkningsalgoritmene i en klinisk anvendt elektrokardiograf er bedre tilpasset EKG fra den generelle befolkning enn idrettsutøvere? (2) Om moderne metoder, som kunstig intelligens (KI), kunne brukes til å forbedre dagens kliniske anvendte tolkningsalgoritmer slik at de kan bli bedre kalibrert for idrettsutøvere?

For å undersøke (1) ble det registrert EKG fra 28 idrettsutøvere ved bruk av en moderne elektrokardiograf. EKGene ble tolket av tolkningsalgoritmen i elektrokardiografen, og sammenlignet med en kardiologs tolkning. Tolkningsalgoritmen klassifiserte 46% av EKGene som normale, 25% i grenseområdet og 29% som unormale. Kardiologen fulgte retningslinjene fra International Criteria, og klassifiserte 93% som normale og 7% i grenseområdet. Resultatene viser at tolkningsalgoritmen feilvurderer noen av områdene i EKGet. Dette ga i noen tilfeller alvorlige feilklassifiseringer, som akutt hjerteinfarkt (STEMI).

For å undersøke (2) ble et stort åpent datasett av EKGer fra den generelle befolkning tatt i bruk. Ni ulike modeller ble trent, og validert på datasettet, deretter ble fire prediksjoner fra de to beste modellene forklart ved bruk av forklarbar KI. Den beste modellen fikk en PhysioNet/CinC Challenge skår = 0,512±0,006 og en F1-skår=0,405±0,008 ved 10-ganger kryssvalidering. Modellarkitekturene lar seg forklare ved bruk av forklarbar KI. Forklarbarheten er viktig for modellens kliniske relevans. For videre arbeid med disse problemstillingene trengs tilgang til flere EKG fra idrettsutøvere.