Kann KI dabei helfen, vorherzusagen, bei welchen Patienten sich die Herzinsuffizienz innerhalb eines Jahres verschlimmern wird?

Herzinsuffizienz ist durch eine geschwächte oder beschädigte Herzmuskulatur gekennzeichnet und führt zu einer fortschreitenden Flüssigkeitsansammlung in der Lunge, den Beinen, Füßen und anderen Körperteilen des Patienten. Diese Krankheit ist chronisch und unheilbar und führt häufig zu Herzrhythmusstörungen oder einem plötzlichen Herzstillstand. Viele Jahrhunderte lang waren Aderlass und Blutegel die Behandlungsmethode der Wahl, die von Friseuren in Europa praktiziert wurde, zu einer Zeit, als Ärzte nur selten Patienten operierten.

Im 21. Jahrhundert ist die Behandlung von Herzinsuffizienz deutlich weniger mittelalterlich geworden: Heutzutage müssen sich Patienten einer Kombination aus einer Umstellung des gesunden Lebensstils, verschreibungspflichtigen Medikamenten und manchmal auch der Verwendung von Herzschrittmachern unterziehen. Dennoch bleibt Herzinsuffizienz eine der Hauptursachen für Morbidität und Mortalität und stellt weltweit eine erhebliche Belastung für die Gesundheitssysteme dar.

„Etwa die Hälfte der Menschen, bei denen eine Herzinsuffizienz diagnostiziert wurde, sterben innerhalb von fünf Jahren nach der Diagnose“, sagt Teya Bergamaschi, MIT-Doktorandin im Labor von Nina T. und Robert H. Rubin, dem Collin-Stultz-Professor, und Co-Erstautorin einer neuen Arbeit, die ein Deep-Learning-Modell zur Vorhersage von Herzinsuffizienz vorstellt. „Zu verstehen, wie es einem Patienten nach einem Krankenhausaufenthalt ergehen wird, ist wirklich wichtig für die Zuweisung begrenzter Ressourcen.“

Das Dokument, veröffentlicht in Lancet Medicine eClinique von einem Forscherteam des MIT, Mass General Brigham und der Harvard Medical School, stellt Ergebnisse der Entwicklung und Erprobung von PULSE-HF vor, was frei für „Vorhersage von Veränderungen der linksventrikulären systolischen Funktion anhand von EKGs von Patienten mit Herzinsuffizienz“ steht. Das Projekt wurde im Labor von Stultz durchgeführt, das der MIT Abdul Latif Jameel Clinic for Machine Learning in Health angegliedert ist. Das Deep-Learning-Modell wurde an drei verschiedenen Patientenkohorten aus dem Massachusetts General Hospital, dem Brigham and Women’s Hospital und MIMIC-IV (einem öffentlich zugänglichen Datensatz) entwickelt und retrospektiv getestet und sagt Änderungen in der linksventrikulären Ejektionsfraktion (LVEF), also dem Prozentsatz des Blutes, das aus der linken Herzkammer gepumpt wird, genau voraus.

Ein gesundes menschliches Herz pumpt bei jedem Schlag etwa 50 bis 70 Prozent des Blutes aus der linken Herzkammer; Alles, was niedriger ist, wird als Zeichen eines potenziellen Problems gewertet. „Das Modell nimmt ein (Elektrokardiogramm) und sagt voraus, ob es im nächsten Jahr eine Ejektionsfraktion geben wird, die unter 40 Prozent fällt“, sagt Tiffany Yau, MIT-Doktorandin in Stultz‘ Labor und auch Co-Erstautorin des PULSE-HF-Artikels. „Dies ist die schwerwiegendste Untergruppe der Herzinsuffizienz.“

Wenn PULSE-HF vorhersagt, dass sich die Ejektionsfraktion eines Patienten innerhalb eines Jahres voraussichtlich verschlechtern wird, kann der Arzt den Patienten für die Nachsorge priorisieren. Dadurch können Patienten mit geringem Risiko die Anzahl ihrer Krankenhausbesuche und den Zeitaufwand für die Anbringung von 10 Elektroden an ihrem Körper für ein 12-Kanal-EKG reduzieren. Das Modell kann auch in klinischen Umgebungen mit geringen Ressourcen eingesetzt werden, einschließlich Arztpraxen in ländlichen Gebieten, in denen es normalerweise keinen Herzsonographen gibt, der täglich Ultraschalluntersuchungen durchführt.

„Der größte Unterschied zwischen (PULSE-HF) und anderen EKG-Methoden bei Herzinsuffizienz besteht darin, dass es Vorhersagen statt einer Erkennung macht“, sagt Yau. In dem Artikel wird darauf hingewiesen, dass es bisher keine andere Methode gibt, um den künftigen LVEF-Rückgang bei Patienten mit Herzinsuffizienz vorherzusagen.

Während des Test- und Validierungsprozesses verwendeten die Forscher eine Metrik namens „Fläche unter der Receiver Operating Characteristic Curve“ (AUROC), um die Leistung von PULSE-HF zu messen. AUROC wird normalerweise verwendet, um die Fähigkeit eines Modells zu messen, Klassen auf einer Skala von 0 bis 1 zu unterscheiden, wobei 0,5 zufällig und 1 perfekt ist. PULSE-HF erreichte in allen drei Patientenkohorten AUROCs im Bereich von 0,87 bis 0,91.

Bemerkenswert ist, dass die Forscher auch eine Version von PULSE-HF für Einzel-EKGs entwickelt haben, was bedeutet, dass nur eine Elektrode am Körper angebracht werden muss. Während 12-Kanal-EKGs allgemein als überlegen gelten, weil sie umfassender und genauer sind, war die Leistung der Einzelkanal-Version des PULSE-HF genauso gut wie die der 12-Kanal-Version.

Trotz der eleganten Einfachheit der PULSE-HF-Idee verbirgt sie, wie die meisten klinischen Forschungen im Bereich KI, eine mühsame Umsetzung. „Es hat Jahre gedauert, dieses Projekt abzuschließen“, erinnert sich Bergamaschi. „Es hat viele Iterationen durchlaufen.“

Eine der größten Herausforderungen für das Team war das Sammeln, Verarbeiten und Bereinigen der EKG- und Echokardiogramm-Datensätze. Obwohl das Modell darauf abzielt, die Ejektionsfraktion eines Patienten vorherzusagen, waren die Beschriftungen der Trainingsdaten nicht immer verfügbar. Ähnlich wie ein Schüler, der aus einem Lehrbuch mit einem Lösungsschlüssel lernt, ist die Beschriftung von entscheidender Bedeutung, um Modellen des maschinellen Lernens dabei zu helfen, Muster in Daten korrekt zu erkennen.

Klarer, linearer Text in Form von TXT-Dateien eignet sich im Allgemeinen am besten für das Training von Modellen. Aber Echokardiogrammdateien liegen normalerweise in Form von PDF-Dateien vor, und wenn PDF-Dateien in TXT-Dateien konvertiert werden, wird der Text (der durch Zeilenumbrüche und Formatierungen unterteilt ist) für das Modell schwer lesbar. Auch die Unvorhersehbarkeit realer Szenarien, etwa ein unruhiger Patient oder eine lockere Spur, beeinträchtigte die Daten. „Viele Signalartefakte müssen beseitigt werden“, sagt Bergamaschi. „Es ist eine Art endloses Kaninchenloch.“

Obwohl Bergamaschi und Yau anerkennen, dass komplexere Methoden dabei helfen könnten, Daten zu filtern, um bessere Signale zu erhalten, gibt es eine Grenze für den Nutzen dieser Ansätze. „An welchem Punkt hörst du auf?“ fragt Yau. „Sie müssen über den Anwendungsfall nachdenken: Ist es einfacher, dieses Modell mit leicht ungeordneten Daten arbeiten zu lassen? Denn das wird wahrscheinlich der Fall sein.“

Die Forscher gehen davon aus, dass der nächste Schritt für PULSE-HF darin bestehen wird, das Modell in einer prospektiven Studie an echten Patienten zu testen, deren zukünftige Ejektionsfraktion unbekannt ist.

Trotz der Herausforderungen, die das Aufkommen klinischer KI-Tools wie PULSE-HF mit sich bringt, einschließlich des möglichen Risikos einer Verlängerung der Doktorarbeit um ein weiteres Jahr, glauben die Studierenden, dass sich die jahrelange harte Arbeit gelohnt hat.

„Ich denke, die Dinge sind teilweise deshalb lohnend, weil sie herausfordernd sind“, sagt Bergamaschi. „Ein Freund sagte mir: ‚Wenn Sie glauben, dass Sie nach Ihrem Abschluss Ihre Berufung finden werden, wenn Ihre Berufung Sie wirklich ruft, wird sie in dem zusätzlichen Jahr, das Sie bis zum Abschluss benötigen, da sein.‘ …Wie wir als Forscher im Bereich (ML und Gesundheitswesen) gemessen werden, unterscheidet sich von anderen Forschern im ML-Bereich. Jeder in dieser Gemeinschaft versteht die einzigartigen Herausforderungen, die hier bestehen.

„Es gibt zu viel Leid auf der Welt“, sagt Yau, der in Stultz‘ Labor eintrat, nachdem ihm eine gesundheitsbezogene Veranstaltung die Bedeutung maschinellen Lernens im Gesundheitswesen bewusst gemacht hatte. „Alles, was versucht, Leid zu lindern, betrachte ich als wertvolle Nutzung meiner Zeit.“

Source link