Künstliche Intelligenz automatisiert die Diagnose schwerer Herzklappenerkrankungen < Yale School of Medicine

Forscher des Cardiocular Data Science (CarDS) Lab haben einen neuartigen Ansatz entwickelt, der eine häufige Herzklappenerkrankung, die sogenannte schwere Aortenstenose, anhand von Ultraschalluntersuchungen des Herzens erkennen kann. Die am 23. August im European Heart Journal veröffentlichte Studie könnte Auswirkungen auf die routinemäßige klinische Versorgung haben.

Eine schwere Aortenstenose (AS) ist eine schwerwiegende Gesundheitsstörung, insbesondere bei älteren Erwachsenen, die durch eine Verengung der Aortenklappe verursacht wird. Eine frühzeitige Diagnose kann Interventionen zur Linderung der Symptome ermöglichen und das Risiko einer Krankenhauseinweisung und eines vorzeitigen Todes verringern. Die spezielle Ultraschallbildgebung des Herzens, die sogenannte Doppler-Echokardiographie, ist der wichtigste Test zur Erkennung von AS. Das Team entwickelte ein Deep-Learning-Modell, das einfachere Ultraschalluntersuchungen des Herzens nutzen kann, um schwere AS automatisch zu erkennen.

Die Technologie wurde vom leitenden Autor der Studie, Rohan Khera, MD, MS, Assistenzprofessor für Herz-Kreislauf-Medizin und Gesundheitsinformatik, Direktor des CarDS Lab und Kollegen am Chandra Family Department of Electrical and Computer Engineering an der University of Texas in Austin, entwickelt , mit 5.257 Studien, die 17.570 Videos zwischen 2016 und 2020 im Yale New Haven Hospital umfassten. Das Modell wurde durch 2.040 aufeinanderfolgende Studien aus verschiedenen Kohorten in Neuengland und Kalifornien extern validiert.

„Unsere Herausforderung besteht darin, dass eine genaue Beurteilung der AS für das Patientenmanagement und die Risikominderung von entscheidender Bedeutung ist. Während spezialisierte Tests nach wie vor der Goldstandard sind, werden Menschen, die sich auf diejenigen verlassen, die es in unsere Echokardiographielabore schaffen, wahrscheinlich früh im Krankheitsstadium übersehen“, sagte Khera.

„Unser Ziel war es, einen maschinellen Lernansatz zu entwickeln, der für das Ultraschall-Screening am Behandlungsort geeignet ist“, sagte der Co-Erstautor der Studie, Evangelos Oikonomou, MD, DPhil, Kardiologe und aktueller Postdoktorand im CarDS Lab .

Ihre Arbeit ermöglicht die Früherkennung einer Aortenstenose, sodass Patienten rechtzeitig versorgt werden können. „Unsere Arbeit kann ein breiteres gemeinschaftliches Screening auf AS ermöglichen, da tragbare Ultraschallgeräte zunehmend ohne die Notwendigkeit speziellerer Geräte eingesetzt werden können. Sie werden bereits häufig in Notaufnahmen und vielen anderen Pflegeeinrichtungen eingesetzt“, fügte Khera hinzu.

Der Fortschritt ist das Ergebnis einer engen Zusammenarbeit zwischen klinischen Forschern und Informatikern. Greg Holste, ein Doktorand an der UT Austin, der von Khera mitberaten wurde, leitete die Entwicklung einer innovativen Methodik, die die Technologie ermöglichte, und war Co-Erstautor der Studie. „Um eine praktische Entwicklung zu ermöglichen, die neue Technologien zur Verbesserung der klinischen Versorgung nutzt, ist eine solche multidisziplinäre Zusammenarbeit unerlässlich“, betonte Khera.

Diese Studie wurde teilweise durch einen Zuschuss des National Heart, Lung, and Blood Institute des National Institutes of Health, Preis K23HL153775, finanziert.