Deep-Learning-Modell automatisiert die Erkennung schwerer Herzklappenerkrankungen

Quelle: Getty Images

Von Shania Kennedy

30. August 2023 – Forscher der Yale School of Medicine haben einen Deep-Learning-Ansatz (DL) entwickelt, der eine Aortenstenose durch die Analyse von Herzultraschalluntersuchungen genau erkennen kann, so eine letzte Woche im European Heart Journal veröffentlichte Studie.

Das Forschungsteam wies darauf hin, dass die Aortenstenose, eine häufige Herzerkrankung, die durch eine Verengung der Aortenklappe verursacht wird, ein wesentlicher Faktor für Mortalität und Morbidität ist. Um diese Folgen zu verhindern, ist die frühzeitige Erkennung der Krankheit von entscheidender Bedeutung. Sie erfordert jedoch eine spezielle Ultraschallbildgebung des Herzens, die sogenannte Doppler-Echokardiographie.

Die Doppler-Echokardiographie ist der wichtigste Test zur Erkennung von Aortenklappenstenosen. Die spezielle Art der Bildgebung macht sie jedoch ineffizient und für den Einsatz bei Früherkennungsbemühungen unzugänglich.

„Unsere Herausforderung besteht darin, dass eine genaue Beurteilung der [Aortenstenose] für das Patientenmanagement und die Risikominderung von entscheidender Bedeutung ist. Während spezialisierte Tests nach wie vor der Goldstandard bleiben, werden Menschen, die sich auf diejenigen verlassen, die es in unsere Echokardiographielabore schaffen, wahrscheinlich früh im Krankheitsstadium übersehen“, sagte der leitende Autor Rohan Khera, MD, MS, Assistenzprofessor für Herz-Kreislauf-Medizin und Gesundheitsinformatik an der Yale University und Direktor seines Labors für kardiovaskuläre Datenwissenschaft (CarDS), in einer Pressemitteilung, in der die Studie detailliert beschrieben wird.

Das Ziel des Forschungsteams bestand darin, ein Modell zu entwickeln, das ein Ultraschall-Screening am Behandlungsort ermöglichen könnte, um die Früherkennung der Krankheit zu erleichtern.

Zu diesem Zweck entwickelten die Forscher das Deep-Learning-Modell unter Verwendung von 5.257 Studien zu transthorakalen Echokardiographie (TTE)-Untersuchungen, darunter 17.570 Videos zwischen 2016 und 2020 im Yale New Haven Hospital.

Anschließend wurde das Tool anhand von 2.040 aufeinanderfolgenden Studien des Yale New Haven Hospital sowie zweier geografisch unterschiedlicher Kohorten von 4.226 und 3.072 Studien aus Kalifornien und anderen Krankenhäusern in Neuengland extern validiert.

Das Modell erzielte über Kohorten hinweg eine hohe Leistung und erreichte im Testsatz einen Bereich unter der Betriebskennlinie des Empfängers von 0,978. Darüber hinaus erreichte der DL eine Fläche unter der Receiver-Operating-Characteristic-Kurve von 0,952 in der kalifornischen Kohorte und 0,942 in der New England-Kohorte.

Diese Ergebnisse führten die Forscher zu dem Schluss, dass das Modell einen potenziellen Nutzen für die Früherkennung von Aortenstenose haben könnte.

„Unsere Arbeit kann ein breiteres gemeinschaftliches Screening auf [Aortenstenose] ermöglichen, da tragbare Ultraschallgeräte zunehmend ohne die Notwendigkeit speziellerer Geräte eingesetzt werden können. Sie werden bereits häufig in Notaufnahmen und vielen anderen Pflegeeinrichtungen eingesetzt“, erklärte Khera.

Bevor das Tool im klinischen Umfeld eingesetzt werden kann, sind jedoch weitere Forschungsarbeiten erforderlich.

Frühere Forschungen zielten auch darauf ab, die Erkennung von Aortenstenose mithilfe künstlicher Intelligenz (KI) zu verbessern.

Im Jahr 2021 zeigten Forscher von Kaiser Permanente, dass die Verarbeitung natürlicher Sprache (NLP) Ärzten bei der Identifizierung einer Aortenstenose helfen könnte.

Das Modell wurde darauf trainiert, Echokardiogrammberichte und EMR-Daten zu durchsuchen, um Abkürzungen, Wörter und Phrasen zu kennzeichnen, die mit der Erkrankung in Zusammenhang stehen.

Das Tool identifizierte dann schnell fast 54.000 Patienten, die die Kriterien für eine Aortenstenose erfüllten, ein Prozess, der nach Angaben des Forschungsteams bei manueller Durchführung möglicherweise Jahre gedauert hätte.