Eine Herzinsuffizienz vom HFpEF-Typ zu erkennen, ist nicht immer einfach, und kostet Zeit. Wissenschaftler haben jetzt mithilfe von Künstlicher Intelligenz einen Algorithmus entwickelt, mit dem sich abnormale Echoparameter schnell und einfach identifizieren lassen.

Auch weniger erfahrene Ärzte könnten mithilfe von Künstlicher Intelligenz in der Lage sein, eine Herzinsuffizienz von HFpEF-Typ (mit erhaltener Ejektionsfraktion) zu erkennen – das jedenfalls erhoffen sich taiwanesische Kardiologen und haben ein entsprechendes Modell entwickelt.

„Das in der Studie entwickelte KI-System, welches als neues Konzept innerzyklische Veränderungen inkorporiert, ist eine schnelle, zeitsparende und akkurate Prescreening-Methode, um die HFpEF-Diagnose zu erleichtern“, erörtern Yu-An Chiou und Kollegen den potenziellen Mehrwert ihrer Entwicklung.

HFpEF-Diagnose ist aufwendig

Derzeit fußt die Diagnose einer HFpEF auf unterschiedlichen Parametern, u.a. auf der linksventrikulären Ejektionsfraktion (LVEF), die ≥ 50% betragen muss, dem linksventrikulärem Masseindex (≥ 115 ml/m² bei Männern und ≥ 95 ml/m² bei Frauen) und dem linksatrialen Volumenindex (≥ 34 ml/m²), einhergehend mit im Gewebedoppler-Echo nachweisbaren funktionellen Veränderungen wie eingeschränkter myokardialer Relaxation (e‘), E/e‘-Ratio, sowie erhöhten NT-proBNP-Werten (≥ 300 pg/mL).

Diese Aufzählung verdeutlicht, dass die Diagnosestellung nicht ganz einfach ist und gewisse personelle wie zeitliche Ressourcen beansprucht. Darüber hinaus benötige der Arzt eine gewisse Erfahrung, erläutern die taiwanesischen Kardiologen die Herausforderungen im Alltag. Und die entsprechenden Ultraschalluntersuchungen werden in der Regel nur eingesetzt, wenn der Patient Beschwerden habe.

Künstliche Intelligenz könnte Arbeit erleichtern

Chiou und sein Team haben sich deshalb zum Ziel gesetzt, mithilfe von KI einen Algorithmus zu entwickeln, der die Arbeit der Ärzte erleichtern soll. Dafür haben sie einen Computer mit Echo-Datensätzen gefüttert, und zwar mit, im apikalen Vierkammerblick detektierbaren Veränderungen des linken Vorhofs (LA) und von linksventrikulären (LV-)Regionen. Die Befunde stammten von 1.468 HFpEF-Patienten und 1.263 asymptomatischen Patienten ohne HFpEF, die als Kontrolle fungierten. Die geometrischen Maße wurden dabei Bildsequenz für Bildsequenz extrahiert und in künstliche neuronale Netzwerke eingespeist, um den Algorithmus zu trainieren.

Das Besondere an dem Modell ist, dass dieses auf dynamischen, sich während der Diastole und Systole verändernden Werte der jeweiligen Strukturen (LV- bzw. LA-Länge, -Breite, -Fläche und -Volumen) basiert, und nicht – wie sonst üblich – auf einzelnen Werte. Dabei stellte sich heraus, dass sich die dynamischen Werte bei HFpEF-Patienten anders verhalten als bei den Kontrollpatienten, wodurch eine Unterscheidung möglich wird (z.B. bei der LV-Fläche ergab sich keine stabile Plateuphase während der Diastole).

Akkurate Vorhersage

Der trainierte KI-Algorithmus erwies sich letztlich als ziemlich akkurat: In einer externen Validierung schaffte er es, HFpEF-Patienten mit einer Genauigkeit von 85%, einer Sensitivität von 79% und einer Spezifität von 89% zu erkennen. Das externe Testset bestand aus Daten von 150 Patienten mit symptomatischer COPD und von 315 aus einem anderen Krankenhaus stammenden HFpEF-Patienten.

Das Modell basiere auf einem einzelnen Vierkammerblick, und erlaube einen automatisierten Diagnose-Work-Flow, erläutern Chiou und Kollegen potenzielle Vorteile ihres Tools. Für die Diagnose müssten somit nicht viele unterschiedliche Echoparameter produziert werden, führen sie weiter aus. Für die Beurteilung eines Falls sind nicht mal drei Minuten vergangen.

Aber nur Screening, keine finale Diagnose

Nach Ausführungen der taiwanesischen Kardiologen eignet sich ihr KI-Modell aber eher als eine Art Prescreening-Tool und weniger als Methode zur finalen Diagnosestellung: d.h. damit könnte eine Früherkennung möglich werden. Die letztliche Diagnose wird aber durch sich anschließende etablierte Diagnoseuntersuchungen und Bluttests gestellt – so die Vorstellung.

Derzeit befindet sich das Modell, wie Chiou und Kollegen betonen, aber noch in der Proof-of-Concept-Phase, da die verfügbaren Datensätze limitiert seien. Sie hoffen, mit weiteren Daten und Forschungsarbeit ihr Screeningmodell zunehmends verbessern zu können.