Bedarf an einfacher Früherkennung und Diagnostik
Trotz der enormen Fortschritte in der kardiologischen Diagnostik wird auch heute nicht jede kardiovaskuläre Erkrankung erkannt oder jedes Risiko richtig eingeschätzt. „Jeder von uns wird einen Patienten vor Augen haben, bei dem wir uns gewünscht hätten, dass die Diagnostik besser gewesen wäre und ein schweres Ereignis vorhergesagt hätte.“, erklärte Prof. Dr. med. Tienush Rassaf, Direktor der Klinik für Kardiologie und Angiologie – Westdeutsches Herz- und Gefäßzentrum an der Universitätsmedizin Essen in seinem Vortrag „Künstliche Intelligenz (KI) in der klinischen kardiovaskulären Diagnostik“ auf der 91. DGK-Jahrestagung in Mannheim. Es besteht nach wie vor ein Bedarf an einfachen und schnellen Methoden für Früherkennung, Diagnose und/oder Risikoabschätzung.
Sichtbare und hörbare Merkmale kardiovaskulärer Erkrankungen
Noch vor den klassischen Symptomen einer Erkrankung kann sich das Aussehen, die Stimme oder die Herztöne des Menschen ändern. Bestimmte Merkmale im Gesicht, wie die frontoparietale Entwicklung einer Glatze, diagonale Ohrläppchenfalten und Xanthelasmen sind einerseits Alterszeichen, andererseits aber auch – unabhängig vom chronologischen Alter – mit ischämischer Herzkrankheit und akutem Myokardinfarkt assoziiert. Eine Herzinsuffizienz können erfahrene Kardiologen aufgrund des veränderten Frequenzprofils auch hören. Diese menschlichen Wahrnehmungen solcher sicht- und hörbaren Hinweise sind jedoch subjektiv.
KI identifiziert asymptomatische linksventrikuläre systolische Dysfunktion
Studien zeigen, dass KI in der Lage ist, klinische Anzeichen für kardiovaskuläre Erkrankungen bei asymptomatischen Patienten zu erkennen und zu interpretieren. In einer aktuell im Journal of the American College of Cardiology Advances veröffentlichten Studie zeigten die Autoren, dass ein von ihnen entwickeltes neuronales Faltungsnetzwerk Patienten mit einer asymptomatischen linksventrikulären systolischen Dysfunktion identifizieren konnte, indem es Elektrokardiogramme und Herztöne auswertete, die von einem EKG-fähigen digitalen Stethoskop aufgenommen wurden.
Im Vergleich zu den Ergebnissen der echokardiographischen Untersuchungen der Patienten erzielte das KI-System eine Sensitivität und Spezifität von rund 80 % für eine Ejektionsfraktion ≤40 %. Untergruppenanalysen ergaben eine konsistente Leistung bei verschiedenen demografischen Merkmalen und Komorbiditäten.
Patienten mit Herzinsuffizienz machen mehr Sprechpausen
In einer 2020 im Journal of the American Heart Association veröffentlichten Studie mit den Stimmaufnahmen von rund 10.000 chronisch kranken Patienten detektierte eine KI-basierte Stimmanalyse einen vokalen Biomarker. In einer Studienkohorte von Patienten mit Herzinsuffizienz war der Anstieg dieses vokalen Biomarkers mit einem erhöhten Mortalitäts- und Hospitalisierungsrisiko verbunden. Die Autoren der Studie meinen, dass dieser nicht-invasive, stimmliche Biomarker zur Abschätzung dieser Risiken im Rahmen der telemedizinischen Betreuung von Patienten mit Herzinsuffizienz eingesetzt werden könnte.
Im Jahr 2022 erschien eine Studie ebenfalls im Journal of the American Heart Association, in der eine KI-basierte Stimmanalyse Patienten mit chronischer und akuter Herzinsuffizienz unterscheiden konnte. Alle Patienten unterzogen sich hierzu dem Stroop Test, einer komplexen Vorleseaufgabe. Patienten mit akuter Herzinsuffizienz wiesen gegenüber den Patienten mit stabiler Erkrankung einen deutlich höheren Pausen-Ratio auf. Der Pausen-Ratio war definiert als das Verhältnis der gesamten Pausendauer zur gesamten Dauer der Aufgabe.
Trotz der kleinen Teilnehmerzahl von insgesamt nur 116 Patienten halten die Autoren der Studie den Pausen-Ratio für einen vielversprechenden nicht-invasiven Biomarker für die frühzeitige Detektion der akuten Herzinsuffizienz.
Erkennung von Merkmalen kardiovaskulärer Erkrankungen im Gesicht
Eine Arbeitsgruppe um Rassaf am Westdeutschen Herz und Gefäßzentrum arbeitet gemeinsam mit dem Institut für künstliche Intelligenz an der Entwicklung einer KI-basierte automatisierten Erkennung von Merkmalen bzw. Mustern im Gesicht von Menschen (Facial Recognition), die mit hoher Wahrscheinlichkeit auf eine kardiovaskuläre Erkrankung bzw. ein hohes kardiovaskuläres Risiko hinweisen.
Das umfangreiche Projekt nutzt die Befunde von Routine-Untersuchungen aus Klinik und Bildgebung (z. B. CT-Koronarangiographie) sowie Big Data (EKGs, Rohdaten aus der Bildgebung, Proteome und lnflammasome aus der OMICS-Forschung) und verknüpft diese mit den Bilddaten von Porträtaufnahmen der Patienten. Goldstandard für die Validierung dieser Daten ist die konventionelle Koronarangiographie. Das Ziel des Projekts ist die Vorhersage einer Herzerkrankung mittels Facial Recognition.
