Ein trainiertes neuronales Netzwerk kann auf Basis eines Standard-12-Kanal-EKGs Risikopatienten für eine linksventrikuläre Dysfunktion erkennen. Das gelingt, bevor die reduzierte EF im Echo auffällig wird oder typische Herzinsuffizienzsymptome auftreten.

Patienten mit systolischer linksventrikulärer Dysfunktion, die vielleicht eine eingeschränkte Lebensqualität, aber keine klassischen Herzinsuffizienzsymptome aufweisen, werden häufig erst spät diagnostiziert, weil niemand einen unmittelbaren Anlass für eine Echokardiographie sieht. Statistiken zufolge betrifft diese „asymptomatische“ linksventrikuläre Dysfunktion (ALVD) etwa 2 Prozent aller Erwachsenen. Bei alten Menschen ist die Quote höher.

Herzinsuffizienztherapien können bei diesen Patienten die Lebensqualität verbessern und wohl auch Morbidität und Mortalität senken, aber nur dann, wenn die Patienten auch als solche erkannt werden. Hier hat eine Arbeitsgruppe um Prof. Dr. Paul Friedman von der Mayo Clinic in Rochester angesetzt. Die Wissenschaftler haben untersucht, inwieweit ein selbstlernender Algorithmus genutzt werden kann, um auf Basis eines standardmäßigen 12-Kanal-EKGs Patienten mit einer EF ≤ 35% zu identifizieren oder bei Patienten mit normaler EF vorherzusagen, ob eine LVEF-Abnahme droht.

Datenbasis für die Studie waren knapp 100.000 über klinische Datenbanken identifizierte Patienten, bei denen sowohl ein 12-Kanal-EKG als auch eine transthorakale Echokardiographie im Abstand von maximal zwei Wochen durchgeführt worden waren. Rund ein Drittel dieser Datensätze wurde genutzt, um den Algorithmus – einen Deep Learning Algorithmus auf Basis eines neuronalen Netzwerks – zu trainieren. Weitere knapp 9000 Datensätze bildeten die Validierungskohorte, und die restlichen rund 50.000 bildeten das unabhängige Studienkollektiv, anhand dessen die Leistungsfähigkeit des trainierten und validierten Algorithmus evaluiert wurde.

In der Studienkohorte hatten 7,8% der Patienten eine EF ≤ 35%. Zwischen 36% und 50% lagen 12,7% der Patienten, und bei 79,5% der Patienten war die EF normal. Bezogen auf eine EF ≤ 35% erreichte der trainierte EKG-Algorithmus einen negativ-prädiktiven Wert von 99% bei einer Sensitivität und Spezifität von je 86%. Anders ausgedrückt: Der Algorithmus stellte bei 20% die „Verdachtsdiagnose“ einer erniedrigten EF. Von diesen Patienten hatten dann tatsächlich 34% eine EF ≤ 35% und weitere 30% eine EF zwischen 36% und 50%. Umgekehrt hatten nur 1,3% der Patienten mit laut Algorithmus „normaler“ EF in Wahrheit eine EF ≤ 35%, und 8,6% lagen zwischen 36% und 50%. 

Besonders interessant sind jene Patienten, bei denen das Echokardiogramm zum Zeitpunkt des EKGs noch unauffällig war. Rund 11500 dieser Patienten wurden von dem EKG-Algorithmus korrekt als Patienten mit normaler EF klassifiziert. Von diesen Patienten hatten nach 5 Jahren 1,8% und nach zehn Jahren 4,4% eine EF ≤ 35%. Dagegen hatten 9,5% bzw. 20,8% jener rund 1300 Patienten mit im Echo normaler EF, bei denen der EKG-Algorithmus eine reduzierte EF vermutete, nach 5 bzw. 10 Jahren tatsächlich eine EF ≤ 35%. Mit anderen Worten: Der Algorithmus identifizierte Patienten mit einem rund vierfach erhöhten Risiko für eine EF ≤ 35% in den auf das EKG folgenden Jahren.

Bei neuronalen Netzwerken ist es zwar nicht unmöglich, aber relativ aufwändig, herauszubekommen, worauf ein trainierter Algorithmus seine Einschätzung basiert. Entsprechend können die Wissenschaftler im Moment nicht definitiv sagen, welche EKG-Auffälligkeiten genau den Ausschlag für die Identifizierung von Patienten mit niedriger EF gaben. Sie gehen aber davon aus, dass es eine Kombination subtiler Veränderungen ist, die mit der Entwicklung einer systolischen Herzinsuffizienz einhergehen.

Zu den bekannten EKG-Auffälligkeiten bei Herzinsuffizienz zählen Hypertrophiezeichen, Hinweise auf Abweichungen der linken Herzachse, Blockbilder und EKG-Veränderungen, die mit einer Vergrößerung des Vorhofs einhergehen. Auch atriale und ventrikuläre Herzrhythmusstörungen sind häufiger und könnten in die Bewertung des Algorithmus eingeflossen sein. Die Leistung des Algorithmus besteht darin, diese subtilen Veränderungen sozusagen in Summe auszuwerten und eine Einschätzung zu liefern, die ein Arzt aufgrund der Subtilität der Veränderungen kaum in dieser Präzision liefern könnte.