Vorhersage von Herzinsuffizienz mit KI: Eine neue Grenze in der Medizin

Herzinsuffizienz ist ein furchterregender Feind. Dieser bedrohliche Zustand, der durch eine geschwächte oder geschädigte Herzmuskulatur gekennzeichnet ist, führt zu einer allmählichen Ansammlung von Flüssigkeit in den Lungen, Beinen, Füßen und anderen Bereichen des Körpers. Seit den Tagen des Aderlasses und der Blutegel - in Europa die bevorzugten Behandlungsmethoden der Barbierchirurgen - haben wir einen langen Weg zurückgelegt. Heute können wir die Herzinsuffizienz dank einer veränderten Lebensweise, Medikamenten und sogar Herzschrittmachern effektiver behandeln. Doch trotz dieser Fortschritte ist die Herzinsuffizienz immer noch ein bedeutendes Gesundheitsproblem, das weltweit hohe Morbiditäts- und Mortalitätsraten aufweist.

Nun wollen wir uns näher mit dem bedrohlichen Problem der Herzinsuffizienz befassen. Teya Bergamaschi, eine unternehmungslustige Doktorandin am MIT, beleuchtet den Ernst der Lage. Offenbar stirbt die Hälfte der Opfer von Herzinsuffizienz innerhalb von fünf Jahren nach der Diagnose. Nach der Einlieferung in ein Krankenhaus ist die Feststellung der Prognose eines Patienten von entscheidender Bedeutung für die Bereitstellung geeigneter Ressourcen. Ein brillantes Team von Forschern des MIT, des Mass General Brigham und der Harvard Medical School hat auf diesem Gebiet große Fortschritte gemacht. Sie haben ein bahnbrechendes Deep-Learning-Modell namens PULSE-HF entwickelt, das darauf abzielt, Veränderungen der Herzfunktionalität 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 ein Zeichen im Bereich der Herzgesundheit. Anstatt lediglich eine Herzinsuffizienz zu erkennen, sagt es eine künftige Abnahme der LVEF voraus. Sollte das Modell einen signifikanten Rückgang vorhersagen, könnten die Ärzte diese Patienten für Nachuntersuchungen priorisieren und so möglicherweise Krankenhausaufenthalte für weniger kritische Fälle reduzieren. Dieses völlig neue Angebot ist besonders wertvoll in Regionen mit begrenztem Zugang zu Herzspezialisten.

Natürlich würden wir gerne wissen, wie gut PULSE-HF funktioniert. Die Leistungsfähigkeit des Modells wurde anhand der Fläche unter der Empfängerbetriebskennlinie (AUROC) bewertet. Mit Werten zwischen 0,87 und 0,91 weist es eine hohe Vorhersagekraft auf. Das Forschungsteam hat auch eine Version von PULSE-HF für Einleitungs-EKGs entwickelt, die bemerkenswerterweise genauso gut abschneidet wie das umfangreichere 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 wird PULSE-HF das Modell an echten Patienten testen, was die Möglichkeit bietet, seine Wirksamkeit weiter zu validieren. Für die beteiligten Forscher war es ein gleichermaßen herausforderndes wie lohnendes Unterfangen, das die Komplexität und den Erfolg der Arbeit an der Schnittstelle zwischen maschinellem Lernen und Gesundheitswesen verdeutlicht.

Um einen noch besseren Einblick in dieses faszinierende Thema zu bekommen, können Sie den Originalartikel des MIT lesen hier.