Der plötzliche Herztod ist weltweit nach wie vor ein großes Problem. Er macht etwa die Hälfte aller kardiovaskulären Todesfälle und etwas über ein Zehntel aller Todesfälle aus, wobei knapp die Hälfte aller Fälle die erste Manifestation einer zugrunde liegenden Herzerkrankung darstellt. Trotz erheblicher Investitionen in den letzten Jahrzehnten ist die Prognose bei einem außerklinischen Herzstillstand nach wie vor schlecht, selbst für diejenigen, die sofort wiederbelebt werden. Erschwerend kommt hinzu, dass es sich bei den Betroffenen um eine heterogene Population handelt, zu der Patienten ohne vorherige Diagnose einer Herzerkrankung, solche mit schweren Herzfunktionsstörungen und Personen mit einer genetischen Veranlagung gehören.
One-size-fits-all versus personalisierte Risikostratifizierung
Es besteht ein Bedarf an personalisierten Modellen für die Risikostratifizierung von Herzrhythmusstörungen, die als Richtschnur für Präventionsmaßnahmen dienen könnten.
In den letzten Jahren wurden verschiedene klinische Risikoscores entwickelt, um die Früherkennung von Personen mit einem Risiko für einen plötzlichen Herztod in der Allgemeinbevölkerung zu unterstützen, darunter der ARIC-Score, das Seattle Proportional Risk Model, der VFRisk- und der MADIT-ICD-Score. Die geringe Inzidenz von plötzlichen Herztoden könnte jedoch ein Massenscreening undurchführbar machen, da es trotz angemessener Trennschärfe zu einer hohen Anzahl von falsch-positiven Vorhersagen führen würde. Hier bietet das Feld der künstlichen Intelligenz (KI) neue Möglichkeiten, die Einschränkungen zu überwinden, denen herkömmliche Risiko-Vorhersage-Scores unterliegen.
Das Potenzial von KI-EKGs für die Risikovorhersage
Die EKG-Indizes spiegeln die wichtigsten mechanistischen Konzepte der Pathogenese von Herzrhythmusstörungen wider. KI-Modelle haben sich als Alternativen zu traditionellen Risikobewertungen herauskristallisiert, indem sie die Extraktion von Merkmalen aus Signalen, Zeitreihen oder Bildern automatisieren, die am meisten zu einem relevanten klinischen oder physiologischen Endpunkt beitragen. Ein 2024 veröffentlichtes, EKG-basiertes Modell der KI zur Bewertung des Risikos für den plötzlichen Herztod unterschied so Fälle von plötzlichem Herztod mit höherer Genauigkeit von Kontrollpersonen und schnitt besser ab als ein herkömmliches EKG-Risikomodell. Andere KI-EKG-Modelle sagten plötzliche Herztode bei Patienten mit Herzinsuffizienz mit AUROCs von ca. 0,66 voraus und übertrafen damit die Richtlinienkriterien zur Primärprävention und traditionelle EKG-Parameter.
Das Potenzial bildgebender KI für die Risikovorhersage
Plötzliche Herztode, die durch ventrikuläre Tachyarrhythmien verursacht werden, hängen entscheidend von einem zugrunde liegenden anfälligen Gewebe ab, das mit dem EKG allein nur schwer zu charakterisieren ist. Fortschritte bei den bildgebenden Verfahren des Herzens haben neue Möglichkeiten der nicht-invasiven Identifizierung und Charakterisierung des relevanten Arrhythmie-Gewebes eröffnet. In einem bildgebenden KI-Ansatz wurde ein patientenspezifisches Profil der räumlichen Gewebekomplexität berechnet, das sowohl die globale Unregelmäßigkeit der Signalintensität als auch die dreidimensionale Geometrie des linken Ventrikels bei Patienten mit ischämischer Kardiomyopathie widerspiegelte. Durch den Einsatz von KI lieferte dieses Komplexitätsprofil zusätzliche prognostische Informationen für die Vorhersage von Herzrhythmusstörungen.
Multimodale KI und digitale Zwillinge
Die meisten der aktuellen Vorhersagemodelle nutzen eine einzige Datenmodalität. Das Potenzial der KI wird jedoch theoretisch maximiert, wenn mehrere Modalitäten integriert werden. Ein neuerer multimodaler KI-Ansatz kombiniert z.B. Deep-Learning-Merkmale aus EKG und LGE-MRT mit klinischen Patientendaten, um das Ein-Jahres-Risiko von Herzrhythmusstörungen vorherzusagen. Ein weiterer Ansatz zur Kombination von Informationen aus verschiedenen Quellen ist das digitale Twinning, das darauf abzielt, mechanistische und statistische Modelle in einen dynamischen Rahmen einzubinden, um eine virtuelle Nachbildung des Herzens zu erstellen.
Erfassen der zeitlichen Dynamik: Telemonitoring und tragbare Geräte
Das Risiko eines plötzlichen Herztodes ist nicht statisch, sondern schwankt im Laufe der Zeit. Eine kürzlich durchgeführte Studie ergab, dass ein dynamisches KI-Prognosemodell, das Vorhersagen kontinuierlich anhand neuer EKG-Daten aktualisiert, deutlich genauer ist als ein statisches Modell, das ausschließlich auf Basisdaten beruht. In einer anderen Studie wurden, während der Nachbeobachtung, Informationen aus sequenziellen CMR-Untersuchungen und Krankenhausaufenthalten wegen Herzinsuffizienz verwendet, um ein Basismodell für eine angemessene Therapie zu aktualisieren, das besser abschnitt als das statische Modell. Darüber hinaus liefert die kontinuierliche Überwachung durch implantierte Herzgeräte und Wearables eine Fülle personalisierter Daten, die möglicherweise das Fortschreiten der Krankheit widerspiegeln und bei der Früherkennung eines erhöhten Risikos helfen könnten.
