Die meisten Menschen hatten schon einmal ein Elektrokardiogramm. Der Test ist schnell, günstig und weit verbreitet. Was er bis vor Kurzem jedoch nie leisten konnte, war, den strukturellen Zustand der oberen Herzkammern mit echter Präzision zu enthüllen. Eine in Nature Communications veröffentlichte Studie beschreibt ein Deep-Learning-Model, das diese Gleichung verändert. Es nutzt Standard-12-Kanal-EKG-Daten, um die Struktur und Funktion des linken Vorhofs vorherzusagen und Personen mit einem erhöhten Risiko für Vorhofflimmern, Herzinsuffizienz und Schlaganfall zu kennzeichnen.
Das Problem, das das Model lösen sollte
Der linke Vorhof ist eine kleine Kammer mit einer überproportional großen Bedeutung für die kardiovaskuläre Gesundheit. Wenn sich seine Struktur verschlechtert oder seine Funktion abnormal wird – ein Zustand, den Forscher alsatriale Kardiopathie bezeichnen –, steigt das Risiko für schwerwiegende Folgeereignisse erheblich an. Vorhofflimmern ist die direkteste Konsequenz, aber die Komplikationen gehen weiter: Sowohl Herzinsuffizienz als auch ischämische Schlaganfälle werden mit dieser Art von atrialer Verschlechterung in Verbindung gebracht.
Die Herausforderung liegt in der Erkennung. Die genaue Beurteilung der Struktur und Funktion des linken Vorhofs erfordert eine qualitativ hochwertige kardiale Bildgebung, typischerweise eine kardiale Magnetresonanztomographie (CMR). CMR ist teuer, nicht überall zugänglich und in der klinischen Standardversorgung weit von der Routine entfernt. Dies führt zu einer Lücke: Ein signifikanter Teil der Menschen mit sich entwickelnder atrialer Kardiopathie bleibt unentdeckt, bis ein schwerwiegenderes Ereignis eintritt.
Ein Training für ein Model anhand von 21.749 Scans
Das Forschungsteam, das aus Institutionen wie der University of Washington, der University of Minnesota, Johns Hopkins, der Wake Forest University und der University of California San Francisco stammte, trainierte ein Deep-Learning-Model anhand eines Datensatzes von 21.749 kardialen Magnetresonanztomographie-Scans aus der UK Biobank, von denen jeder mit einem entsprechenden 12-Kanal-EKG gepaart war. Das Model lernte, Informationen über die Struktur und Funktion des linken Vorhofs direkt aus dem elektrischen Signal des EKG zu extrahieren, ohne dass eine Bildgebung erforderlich war.
Die daraus resultierenden, vom Model abgeleiteten Messwerte wurden dann anhand der Ergebnisse in zwei externen Kohorten getestet: der Cardiovascular Health Study und dem Multi-Ethnic Study of Atherosclerosis. In beiden Gruppen waren die Messwerte des Models zur atrialen Kardiopathie stark mit neu aufgetretenem Vorhofflimmern, Herzinsuffizienz und ischämischem Schlaganfall assoziiert, selbst nach Berücksichtigung etablierter klinischer Risikofaktoren und Biomarker.
Eine Zahl aus der Quelle sticht hervor. Das Risiko eines kardioembolischen Schlaganfalls – der spezifischen Schlaganfallart, die am engsten mit Vorhofflimmern verbunden ist – steigt pro Standardabweichung des vom Model geschätzten Volumens des linken Vorhofs um 66 %. Das ist kein Randphänomen. Die Studie berichtet zudem, dass die Vorhersageleistung des Models vergleichbar mit der von direkten Bildgebungsmesswerten und standardmäßigen klinischen Risikofaktoren war, in einigen Fällen sogar darüber lag.
In explorativen Analysen schnitt das Model bei der Erkennung von Vorhofflimmern, das durch Herzrhythmusüberwachung identifiziert wurde, sowohl besser ab als ein dediziertes klinisches Risikovorhersagewerkzeug als auch als NT-proBNP-Werte, ein in der Kardiologie bereits verwendeter Biomarker.
Warum das über die Klinik hinaus wichtig ist
Hier ist das, was die meiste Berichterstattung über KI in der Medizin tendenziell unterbetont: Der Wert eines solchen Models liegt nicht nur in der Genauigkeit. Es ist die Zugänglichkeit. CMR-Scans erfordern spezialisierte Ausrüstung, geschultes Personal und erhebliche Kosten. Ein 12-Kanal-EKG hingegen ist in allgemeinmedizinischen Praxen, kommunalen Gesundheitszentren und Krankenhäusern auf der ganzen Welt verfügbar, selbst in Umgebungen, in denen fortgeschrittene Bildgebung schlicht keine Option ist.
Ein Model, das klinisch aussagekräftige atriale Informationen aus einem Test extrahiert, der ohnehin schon im Behandlungspfad existiert, erfordert keinen Aufbau neuer Infrastruktur. Es ergänzt das, was Kliniker bereits haben. Ein Arzt, der ein routinemäßiges EKG anfordert, könnte im Prinzip nicht nur den elektrischen Standardbefund erhalten, sondern auch ein Risikosignal für atriale Kardiopathie, was eine frühere Untersuchung oder Überwachung für Patienten veranlasst, die sonst unentdeckt geblieben wären.
Dies ist das breitere Muster, das KI in der Medizin immer wieder demonstriert: Die langlebigsten Anwendungen sind nicht diejenige, die bestehende Diagnosepfade ersetzen, sondern diejenigen, die mehr Signal aus Daten extrahieren, die ohnehin bereits erhoben werden. Das EKG ist seit Jahrzehnten ein klinischer Standard. Die Informationen über die Struktur des linken Vorhofs waren in diesem Signal immer teilweise kodiert. Das Model macht diese latenten Informationen lesbar.
Es gibt Grenzen, die es wert sind, anerkannt zu werden. Die Studie wird als Preprint beschrieben, das sich vor der endgültigen Veröffentlichung in weiterer Überarbeitung befindet, und die explorativen Analysen, einschließlich des Vergleichs mit klinischen Risikowerkzeugen, sind nach eigener Formulierung der Autoren vorläufig. Eine Validierung über breitere und diversere Populationen hinweg wird notwendig sein, bevor ein klinischer Einsatz zum Standard wird.
Kurz gefasst
Ein Deep-Learning-Model, das an über 21.000 gepaarten EKG- und Herz-MRI-Datensätzen trainiert wurde, kann die Struktur und Funktion des linken Vorhofs allein aus einem Standard-12-Kanal-EKG vorhersagen. Seine Risikoschätzungen für Vorhofflimmern, Herzinsuffizienz und kardioembolischen Schlaganfall sind vergleichbar mit denen aus direkten Bildgebungsverfahren oder sogar stärker. Der Anstieg des Risikos für einen kardioembolischen Schlaganfall um 66 % pro Standardabweichung des geschätzten Volumens des linken Vorhofs ist die Schlagzeile, aber der tiefere Punkt ist struktureller Natur: Dieser Ansatz verwandelt einen weit verbreiteten, kostengünstigen Test in ein Screening-Werkzeug für einen Zustand, der derzeit bei vielen Patienten unentdeckt bleibt, weil die zur Findung erforderliche Bildgebung unerreichbar ist.
Basierend auf Berichten von Nature: Machine Learning.