NewsMedizinKünstliche Intelligenz erkennt Neigung zum Vorhofflimmern im 10-Sekunden-EKG
Als E-Mail versenden...
Auf facebook teilen...
Twittern...
Drucken...

Medizin

Künstliche Intelligenz erkennt Neigung zum Vorhofflimmern im 10-Sekunden-EKG

Dienstag, 6. August 2019

EKG Sinus/photomelon, AdobeStock.com
/photomelon, AdobeStock.com

Rochester/Minnesota – Das neuronale Netzwerk eines Computers, das mit Abertausenden klinischer Befunde gefüttert wurde, sieht auf einem 10 Sekunden langen Streifen eines 12-Kanal-EKGs mehr als das geübte Auge eines erfahrenen Kardiologen. In einer Studie im Lancet (2019; doi: 10.1016/S0140-6736(19)31721-0) erkannte die künstliche Intelligenz (KI) zu etwa 90 %, welche Patienten trotz eines aktuellen Sinusrhythmus an einem Vorhofflimmern erkrankt waren.

Eine KI arbeitet ohne medizinische Vorkenntnisse. Es reicht aus, die Software mit medizinischen Befunden und den dazugehörigen Diagnosen zu füttern. Die KI sucht dann eigenständig nach Mustern in den Befunden, die zu der Diagnose passen. Nach einiger Zeit kann sie selbstständig eine Diagnose stellen.

Anzeige

Ein Team um Paul Friedman von der Mayo Clinic in Rochester/Minnesota hat die KI auf der Basis eines „Convolutional Neural Network“ zunächst an 454.789 kurzen EKG-Streifen von 126.526 Patienten trainiert. Alle EKG-Streifen zeigten einen Sinusrhythmus. Der KI wurde jedoch mitgeteilt, dass bei 8,5 % der Patienten schon einmal ein Vorhofflimmern im EKG aufgetreten war. Die KI zog daraus ihre Schlüsse. Sie entwickelte einen Algorithmus, der an 64.340 EKGs von 18.116 Patienten noch einmal optimiert wurde.

In einer dritten Phase der Studie sollte die KI anhand der Analyse von 130.802 EKGs im Sinusrhythmus erkennen, welche der 36.280 Patienten, von denen die Streifen stammten, schon einmal eine Episode eines Vorhofflimmerns erlitten hatten. Dies war bei 8,4 % der Gruppe der Fall gewesen. 

Für die Ärzte waren die 130.802 EKG-Streifen unauffällig, da sie einen Sinusrhythmus anzeigten. Die KI erkannte die Anfälligkeit auf ein Vorhofflimmern jedoch bereits nach der Analyse eines einzigen EKG-Streifens mit einer Sensitivität von 79,0 % (95-%t-Konfidenzintervall 77,5-80,4) und einer Spezifität von 79,5 % (79,0-79,9). Die AUC („area under the curve“) der ROC-Analyse („receiver operating characteristic“) betrug 0,87 (0,86 bis 0,88). Mit diesem statistischen Wert bewerten Forscher die Aussagekraft von Laborparametern. Das F-Maß (es kombiniert Genauigkeit und Trefferquote) betrug 39,2 % (38,1-40,3) und die Gesamtgenauigkeit 79,4 % (79,0-79,9).

Mehr EKGs erhöhen die Genauigkeit der KI

Wenn der KI alle EKGs eines Monats zur Verfügung gestellt wurden, stieg die AUC auf 0,90 (0,90-0,91). Die Sensitivität betrug 82,3 % (80,9-83,6), die Spezifität 83,4 % (83,0-83,8), das F-Maß 45,4 % (44,2-46,5) und die Gesamtgenauigkeit 83,3 % (83,0-83,7).

Damit könnte die KI, die nach dem Ende einer Trainingsphase nicht mehr Rechnerleistung benötigt als ein Smartphone, die Auswahl der Patienten erleichtern, bei denen die gezielte Suche nach einem Vorhofflimmern lohnt, die heute mit einem Langzeit-EKG oder einem implantierten Recorder erfolgt. Ob die KI diese Folgeuntersuchungen überflüssig machen kann, ist nicht bekannt, hierzu müssten erst noch klinische Studien durchgeführt werden. 

Nachteile der KI und intransparente Algorithmen

Ein Nachteil der KI besteht darin, dass sie streng genommen nur auf die Personenkreise anwendbar ist, an denen sie trainiert wurde. An der Mayo-Clinic waren dies Patienten, die von einer Spezialabteilung für Herzrhythmusstörungen betreut wurden. Die Zusammensetzung könnte sich von den Patienten unterscheiden, die in einer internistischen oder in einer allgemeinmedizinischen Praxis in Behandlung sind.

Völlig unklar ist, was für die KI in den EKG-Streifen auf ein Vorhofflimmern hindeutet. Die Algorithmen bleiben den Programmierern verborgen und sie verändern sich im laufenden Betrieb dauernd, wenn der KI die Ergebnisse von weiteren Patienten mitgeteilt werden.

Friedman vermutet, dass sich einige strukturelle Veränderungen, die dem Vorhofflimmern vorausgehen, auf das EKG auswirken. Dazu könnten eine Vergrößerung (Hypertrophie) der Muskelzellen, eine Fibrose (Vernarbung) oder eine leichte Vergrößerung des Vorhofs gehören. Zu den Auswirkungen auf das EKG könnte ein interatrialer Block (wie beim seltenen Bayés-Syndrom) gehören. Es sei auch nicht ungewöhnlich, dass Patienten im Sinusrhythmus Störungen der Kontraktion im linken Herzohr aufweisen. © rme/aerzteblatt.de

Kommentare

Die Kommentarfunktion steht zur Zeit nicht zur Verfügung.
LNS
VG WortLNS LNS

Fachgebiet

Stellenangebote

    Weitere...

    Aktuelle Kommentare

    Archiv

    NEWSLETTER