The electrocardiogram (ECG) serves as a crucial diagnostic tool for detecting heartdiseases such as heart attacks and rhythm disorders. Its non-invasive nature makesit an ideal early screening tool for guiding medical decisions. Deep Neural Networks(DNNs) have recently demonstrated remarkable success across various tasks, raisingconsiderable anticipation for their potential to enhance clinical practice. In this study,we consider a DNN model trained on PTB-XL, the largest publicly available clinical 12-lead ECG dataset to date. Kungliga Tekniska Högskolan (KTH Royal Institute ofTechnology) is collaborating with Region Stockholm, AISAB, and Karolinska Institutet(KI) to investigate the efficacy of automated ECG analysis within a decision supportframework. This initiative seeks to assist ambulance personnel in making criticalpatient care decisions, particularly in identifying myocardial infarctions. We evaluate aDNN model designed to classify 12-lead ECGs into five distinct cardiac diagnoses,achieving an F1 score surpassing 70\% across all categories. Prior investigations havesuggested the potential for extending findings from single-lead classification toencompass 12-lead ECG signals through deep learning methodologies. In this study,we reinforce this assertion by leveraging a publicly accessible database.

Elektrokardiogrammet (EKG) fungerar som ett avgörande diagnostiskt verktyg för attupptäcka hjärtsjukdomar såsom hjärtinfarkt och hjärtrytmrubbningar. Dess icke-invasiva karaktär gör det till ett idealiskt tidigt screeningsverktyg för att vägledamedicinska beslut. Djupa neurala nätverk (DNN) har nyligen visat anmärkningsvärd       framgång för olika uppgifter, vilket har höjt förväntningarna på deras potential attförbättra klinisk praxis. I denna studie undersöks en DNN-modell tränad på PTB-XL,den hittills största offentligt tillgängliga datamängden som omfattar kliniska 12-avlednings-EKG. Kungliga Tekniska Högskolan (KTH) samarbetar med RegionStockholm, AISAB och Karolinska Institutet (KI) för att undersöka effektiviteten avautomatiserad EKG-analys inom ett beslutsstödsramverk. Detta initiativ syftar till atthjälpa ambulanspersonal att fatta kritiska beslut om patientvård, särskilt vididentifiering av hjärtinfarkter. Vi utvärderar en DNN-modell utformad för att klassificera12-avlednings-EKG i fem distinkta hjärtdiagnoser, vilket uppnår en F1-poäng somöverstiger 70\% i alla kategorier. Tidigare undersökningar har belyst potentialen attgeneralisera fynd från klassificering av en enda avledning till att omfatta 12-avlednings-EKG-signaler genom metoder för djupinlärning. I den här studienförstärker vi detta påstående genom att dra nytta av en offentligt tillgänglig databas.