Herzinsuffizienz ist ein wahrlich gefürchteter Gegner. Diese bedrohliche Erkrankung, die durch geschwächte oder geschädigte Herzmuskeln gekennzeichnet ist, führt zu einer allmählichen Ansammlung von Flüssigkeit in der Lunge, den Beinen, den Füßen und anderen Körperregionen. Seit den Zeiten des Aderlasses und der Blutegel – den gängigen Behandlungsmethoden der Barbier-Chirurgen in Europa – haben wir einen langen Weg zurückgelegt. Heute können wir Herzinsuffizienz dank Änderungen des Lebensstils, Medikamenten und sogar Herzschrittmachern effektiver behandeln. Trotz dieser Fortschritte stellt sie jedoch nach wie vor ein erhebliches Gesundheitsproblem dar, das weltweit mit hohen Morbiditäts- und Mortalitätsraten einhergeht.
Lassen Sie uns nun tiefer in das beängstigende Problem der Herzinsuffizienz eintauchen. Teya Bergamaschi, eine unternehmungslustige Doktorandin am MIT, beleuchtet die Schwere der Situation. Offenbar stirbt die Hälfte der Herzinsuffizienz-Patienten innerhalb von fünf Jahren nach der Diagnose. Nach der Einweisung ins Krankenhaus ist die Ermittlung der Prognose eines Patienten entscheidend, um angemessene Ressourcen bereitzustellen. Ein brillantes Forscherteam des MIT, des Mass General Brigham und der Harvard Medical School hat auf diesem Gebiet große Fortschritte erzielt. Sie haben ein bahnbrechendes Deep-Learning-Modell namens PULSE-HF entwickelt, das darauf abzielt, Veränderungen der Herzfunktion anhand von EKG-Daten vorherzusagen.
Für diejenigen, die sich im medizinischen Fachjargon verirren: PULSE-HF ist die Abkürzung für “Predict changes in left ventricULar Systolic function from ECGs of patients who have Heart Failure”. Das Modell wurde im Labor von Collin Stultz am MIT entwickelt und prognostiziert Veränderungen der linksventrikulären Auswurffraktion (LVEF), einem wichtigen Indikator für die Herzgesundheit. Zum Vergleich: Ein robustes Herz pumpt bei jedem Schlag 50 bis 70 Prozent des Blutes aus der linken Herzkammer, alles andere ist ein Grund zur Sorge.
Hier setzt PULSE-HF neue Maßstäbe im Bereich der Herzgesundheit. Anstatt lediglich eine Herzinsuffizienz zu erkennen, prognostiziert es einen zukünftigen Rückgang der LVEF. Sollte das Modell einen signifikanten Rückgang vorhersagen, könnten medizinische Fachkräfte diese Patienten bei Nachsorgeuntersuchungen vorrangig behandeln und so möglicherweise die Zahl der Krankenhausbesuche für weniger kritische Fälle reduzieren. Dieses bahnbrechende Angebot ist besonders wertvoll in Regionen mit begrenztem Zugang zu Herzspezialisten.
Natürlich möchten wir wissen, wie gut PULSE-HF abschneidet. Die Leistungsfähigkeit des Modells wurde anhand der Fläche unter der Empfänger-Operationscharakteristik-Kurve (AUROC) bewertet. Mit Werten zwischen 0,87 und 0,91 weist es eine hohe Vorhersagekraft auf. Das Forschungsteam entwickelte zudem eine Version von PULSE-HF für Ein-Kanal-EKGs; bemerkenswerterweise schnitt diese genauso gut ab wie ihr umfangreicheres 12-Kanal-Pendant.
Die Entwicklung von PULSE-HF war kein Zuckerschlecken. Das Sammeln und Verarbeiten von EKG- und Echokardiogrammdaten war eine anspruchsvolle Aufgabe, und Datenformatierungsfehler und reale Artefakte stellten eine große Herausforderung dar. Das Team hat diese Hürden jedoch mit Bravour gemeistert, motiviert durch das Potenzial seiner Arbeit, Linderung zu verschaffen.
In den kommenden Tagen steht für PULSE-HF die Erprobung des Modells an echten Patienten auf dem Programm, was die Gelegenheit bietet, dessen Wirksamkeit weiter zu validieren. Für die beteiligten Forscher war dies ein ebenso herausforderndes wie lohnendes Unterfangen, das die besonderen Komplexitäten und Erfolge der Arbeit an der Schnittstelle zwischen maschinellem Lernen und Gesundheitswesen verdeutlicht.
Um sich noch besser mit diesem spannenden Thema vertraut zu machen, können Sie gerne den Originalartikel des MIT lesen. hier.
Diese Website verwendet Cookies.