KI-gestützte Ultraschallanalyse identifiziert Hochrisikofälle für Herzinsuffizienz

Eine neue Studie ergab, dass die Anwendung von Techniken der künstlichen Intelligenz auf Herzultraschalldaten die Identifizierung von Patienten mit fortgeschrittener Herzinsuffizienz erleichtern könnte. Die von Forschern von Weill Cornell Medicine, Cornell Tech, Cornell Ann S. Bowers College of Computing and Information Science, Columbia University Vagelos College of Physicians and Surgeons und NewYork-Presbyterian geleitete Studie bietet die Aussicht auf eine bessere Versorgung für viele tausend Patienten, die aufgrund der Schwierigkeit, ihren Zustand zu diagnostizieren, möglicherweise übersehen werden.

Eine fortgeschrittene Herzinsuffizienz wird derzeit durch kardiopulmonale Belastungstests (CPET) erkannt, die spezielle Ausrüstung und geschultes Personal erfordern und normalerweise nur in großen medizinischen Zentren verfügbar sind. Teilweise aufgrund dieses diagnostischen Engpasses erhalten jedes Jahr nur wenige der schätzungsweise 200.000 Menschen mit fortgeschrittener Herzinsuffizienz in den Vereinigten Staaten eine angemessene Versorgung. In der neuen Studie, die am 3. März in npj Digital Medicine veröffentlicht wurde, testeten die Forscher eine neuartige KI-gestützte Methode, die diesen Engpass beseitigen könnte. Die neue Methode sagt mit hoher Genauigkeit die wichtigste CPET-Messung, den Spitzensauerstoffverbrauch (Peak VO2), voraus, und zwar unter Verwendung wesentlich einfacher erhältlicher Ultraschallbilder des Herzens des Patienten sowie der elektronischen Gesundheitsakten des Patienten.

Dies eröffnet einen vielversprechenden Weg für eine effizientere Beurteilung von Patienten mit fortgeschrittener Herzinsuffizienz unter Verwendung von Datenquellen, die bereits in die Routineversorgung integriert sind.“

Dr. Fei Wang, leitender Autor der Studie, stellvertretender Dekan für KI und Datenwissenschaft und Frances und John L. Loeb Professor für Medizinische Informatik an der Weill Cornell Medicine

Die Studie war äußerst kooperativ und umfasste nicht nur Dr. Wangs Team aus Informatik- und KI-Experten, sondern auch Gruppen unter der Leitung von Dr. Deborah Estrin, stellvertretende Dekanin für Impact an der Cornell Tech; und auf der klinischen Seite Dr. Nir Uriel, Direktor für fortgeschrittene Herzinsuffizienz und Herztransplantation bei NewYork-Presbyterian.

Das Versprechen der KI in der Behandlung von Herzinsuffizienz verwirklichen

Der Zeitschriftenartikel ist der erste, der aus der Cardiovaskulären KI-Initiative hervorgegangen ist, einer umfassenden Initiative von Cornell, Columbia und NewYork-Presbyterian, die den Einsatz von KI zur Verbesserung der Diagnose und Behandlung von Herzinsuffizienz erforscht. Jüngste Fortschritte in der KI haben nicht nur beliebte verbraucher- und geschäftsorientierte Anwendungen ermöglicht, sondern auch Modelle für maschinelles Lernen, die darauf trainiert sind, krankheitsbezogene Muster in text- und bildbasierten medizinischen Daten zu erkennen.

„Zuerst haben wir eine Gruppe von mehr als 40 Herzinsuffizienz-Spezialisten zusammengestellt und sie gebeten, uns mitzuteilen, wo KI ihrer Meinung nach am besten eingesetzt werden könnte“, sagte Dr. Uriel, der auch Seymour, Paul und Gloria Milstein-Professor für Kardiologie in der medizinischen Abteilung des Vagelos College of Physicians and Surgeons der Columbia University und außerordentlicher Professor für Medizin in der Greenberg Division of Cardiology bei Weill Cornell Medicine ist.

Der Einsatz von KI auf Herzultraschalldaten zur Identifizierung von Patienten mit fortgeschrittener Herzinsuffizienz schien eine der vielversprechendsten Anwendungen zu sein. Anschließend wandte sich Dr. Uriel an KI-Experten von Cornell Tech, Cornell Bowers und Weill Cornell Medicine, die in mehrjähriger Zusammenarbeit das neue Modell für maschinelles Lernen entwickelten.

„Die enge Zusammenarbeit zwischen Klinikern und KI-Forschern bei diesem Projekt hat letztendlich die Entwicklung neuer KI-Techniken vorangetrieben, die sonst nicht erforscht worden wären“, sagte Dr. Estrin, Robert V. Tishman ’37 Professor für Informatik an der Cornell Tech, Professor an der Cornell Bowers University und Professor für Bevölkerungsgesundheitswissenschaften an der Weill Cornell Medicine. „Dies war also ein Fall, in dem die Medizin die Zukunft der KI prägte – und nicht nur die KI, die die Zukunft der Medizin prägte.“

Das von Dr. Wang geleitete KI-Team, dem die Hauptautoren Dr.

Das Modell wurde anhand anonymisierter Daten von 1.000 Patienten mit Herzinsuffizienz trainiert, die am Irving Medical Center der NewYork-Presbyterian/Columbia University beobachtet wurden. Nach dem Training wurde das Modell mit der Vorhersage des VO2-Spitzenwerts beauftragt – und so effektiv den Hochrisikostatus bestimmen – für eine neue Gruppe von 127 Patienten mit Herzinsuffizienz aus drei anderen New York-Presbyterianischen Standorten.

Die Ergebnisse waren besser als alle zuvor gemeldeten Ergebnisse für die KI-basierte Spitzen-VO2-Vorhersage. Für Instrumente zur Unterscheidung von Hochrisikopatienten von anderen Patienten verwendeten die Forscher ein Maß, das sich auf die Wahrscheinlichkeit bezieht, dass ein zufällig ausgewählter Hochrisikopatient in der Stichprobe ein höheres vorhergesagtes Risiko hat als ein zufällig ausgewählter Patient mit geringerem Risiko. Diese Zahl deutete in diesem Fall auf eine Gesamtgenauigkeit von etwa 85 % hin, was darauf hindeutet, dass sie im klinischen Umfeld nützlich sein wird.

Das Team hat bereits mit der Planung klinischer Studien des neuen Ansatzes begonnen, die für die Zulassung durch die US-amerikanische Food and Drug Administration und die routinemäßige klinische Einführung erforderlich wären.

„Wenn wir diesen Ansatz nutzen können, um viele Patienten mit fortgeschrittener Herzinsuffizienz zu identifizieren, die sonst nicht identifiziert würden, dann wird dies unsere klinische Praxis verändern und die Patientenergebnisse und die Lebensqualität erheblich verbessern“, sagte Dr. Uriel.

Quellen: