Wie hoch ist das Risiko eines plötzlichen Todes innerhalb von 10 Jahren? Der erste neuronale Netzwerkalgorithmus sagt Ihnen

Der plötzliche Herztod (Sudden Heart Death, SCD) ist nach wie vor die häufigste Todesursache weltweit. In Europa und Nordamerika tritt er bei 50–100 Fällen pro 100.000 Menschen auf und ist für 15–20 % aller Todesfälle verantwortlich. Bei Patienten mit koronarer Herzkrankheit besteht das höchste Risiko eines plötzlichen Herztods aufgrund von Arrhythmie (SCDA).

Daher besteht dringender Bedarf an der Entwicklung personalisierter, genauer und kostengünstiger Instrumente zur Risikobewertung von Arrhythmien, um diese enorme Belastung für die öffentliche Gesundheit und die Wirtschaft zu verringern.

Ein von Forschern der Johns Hopkins University geleitetes Team hat eine neue, auf künstlicher Intelligenz basierende Methode entwickelt, die genauer als Ärzte vorhersagen kann, ob und wann ein Patient wahrscheinlich an einem Herzstillstand sterben wird. Die Technologie basiert auf den Herzbilddaten des Patienten und anderen Kontextinformationen und wird die klinische Entscheidungsfindung revolutionieren und die Überlebensraten bei plötzlichen und tödlichen Herzrhythmusstörungen verbessern.

Die entsprechende Forschungsarbeit wurde in der aktuellen Ausgabe von Nature Cardiovascular Research veröffentlicht.

„Der plötzliche Herztod, der durch Arrhythmien verursacht wird, ist für 20 Prozent aller Todesfälle weltweit verantwortlich, aber wir wissen sehr wenig darüber, warum er auftritt oder wie wir erkennen können, wer gefährdet ist“, sagte Natalia Trayanova, Professorin für Biomedizintechnik und korrespondierende Autorin des Artikels. Manche Patienten haben ein geringes Risiko für einen plötzlichen Herztod und benötigen keinen automatisierten externen Defibrillator (AED). Andere Hochrisikopatienten hingegen können im besten Alter sterben, wenn sie nicht rechtzeitig die notwendige Behandlung erhalten. Unser Algorithmus kann feststellen, wer ein erhöhtes Risiko für einen Herztod hat und wann dieser eintritt. So können Ärzte präzise entscheiden, was zu tun ist.

Soweit uns bekannt ist, ist dies auch das erste Team, das neuronale Netzwerke verwendet, um personalisierte Überlebensbewertungen für jeden Herzpatienten zu erstellen. Diese Risikomessungen ermöglichen eine hohe Genauigkeit bei der Bestimmung des plötzlichen Herztods innerhalb von 10 Jahren und des Zeitpunkts, zu dem er am wahrscheinlichsten eintritt.

Die Forscher nannten dieses auf Deep Learning basierende Tool Survival Study of Cardiac Arrhythmia Risk (SSCAR).

Abbildung | SSCAR-Schema (Quelle: Nature)

Bei der aktuellen klinischen Herzbildanalyse extrahieren Ärzte lediglich einfache Narbenmerkmale wie Volumen und Masse und nutzen die Schlüsseldaten der relevanten Bilder nicht vollständig aus.

„Diese Bilder enthalten wichtige Informationen, auf die Ärzte keinen Zugriff haben“, sagt Erstautor Dan Popescu, ein ehemaliger Doktorand der Johns Hopkins University. „Die Narbe kann unterschiedlich verteilt sein und sagt viel über die Überlebenschancen eines Patienten aus. Nur sind diese Informationen verborgen.“

Zu diesem Zweck verwendete das Forschungsteam zunächst kontrastmittelverstärkte kardiale Magnetresonanzbilder, um die Verteilung der Narben bei 156 echten Patienten mit kardialer Magnetokardiomyopathie am Johns Hopkins Hospital zu visualisieren und einen Algorithmus zu trainieren, der Muster und Beziehungen erkennt, die für das bloße Auge nicht sichtbar sind.

Abbildung | SSCAR stellte ein hohes Risiko im rot eingekreisten Herzen fest (Quelle: Johns Hopkins University)

Das Team trainierte außerdem ein zweites neuronales Netzwerk anhand von zehn Jahren standardmäßiger klinischer Patientendaten, die 22 Faktoren wie Alter, Gewicht, Rasse und Einnahme verschreibungspflichtiger Medikamente umfassten.

Diese Parameter werden dann mithilfe eines tiefen neuronalen Netzwerks direkt aus CMR-Bildern und klinischen Faktoren gelernt, um die Überlebensdaten optimal zu modellieren, hochgradig personalisierte Vorhersagen zur Überlebenswahrscheinlichkeit zu erstellen und patientenspezifische Überlebenskurven abzuleiten.

Anschließend validierten die Forscher den Algorithmus in Tests an einer unabhängigen Patientenkohorte aus 60 medizinischen Zentren in den Vereinigten Staaten mit unterschiedlichen Herzerkrankungsgeschichten und unterschiedlichen Bilddaten. Die Ergebnisse zeigten, dass die Vorhersagen des Algorithmus viel genauer waren als die der Ärzte, und die Ergebnisse zeigten, dass das System überall breit eingesetzt werden könnte.

Insbesondere wurden beim Gesamtdesign des in SSCAR verwendeten benutzerdefinierten neuronalen Netzwerks mehrere Schritte unternommen, um die Relevanz und Interpretierbarkeit der resultierenden Merkmale sicherzustellen. Die Erklärbarkeit von KI-Algorithmen ist für ihre breite Akzeptanz von entscheidender Bedeutung. Bedenken in diesem Zusammenhang sind insbesondere im Gesundheitswesen weit verbreitet.

„Dies hat das Potenzial, klinische Entscheidungen zum Arrhythmierisiko erheblich zu beeinflussen und stellt einen wichtigen Schritt dar, um die Vorhersage der Patientenverläufe in das KI-Zeitalter zu bringen“, sagte Trayanova, Co-Direktorin der Alliance for Innovation in Cardiovascular Diagnosis and Treatment. „Es veranschaulicht den Trend zur Konvergenz von KI, Technik und Medizin als Zukunft des Gesundheitswesens.“

Das Team arbeitet derzeit an der Entwicklung von Algorithmen zur Erkennung anderer Arten von Herzerkrankungen. Laut Trayanova könnten Deep-Learning-Konzepte auch für andere Bereiche der Medizin entwickelt werden, die auf visueller Diagnose basieren.

Quellen:

https://www-nature-com-443.webvpn.bjmu.edu.cn/articles/s44161-022-00041-9

https://hub.jhu.edu/2022/04/07/trayanova-artificial-intelligence-cardiac-arrhythmia/

Quelle: Academic Headlines