Bei der Takotsubo-Kardiomyopathie handelt es sich um eine akute Pumpfunktionsstörung des Herzens, welche mehrheitlich Frauen betrifft und hauptsächlich nach emotionalen oder physischen Stressereignissen auftritt. Die Erkrankung ähnelt in der akuten Phase einem Herzinfarkt. Obschon die Unterscheidung für die weitere adäquate Behandlung zentral ist, fehlen bis heute klare Kriterien auf Basis einer Herz-Ultraschall- Untersuchung.
Erkennt Künstliche Intelligenz den Unterschied?
Die Forscher gingen in diesem Kooperationsprojekt mit der ETH Zürich der Frage nach, ob maschinelles Lernen bei der Unterscheidung der beiden kardiovaskulären Erkrankungen helfen könnte. Als Basis für ihre Studie nutzten sie Daten aus dem internationalen Takotsubo-Register einerseits und dem Zürcher Register für Akute Koronare Herzkrankheiten anderseits. Insgesamt flossen die Herz-Ultraschall- Untersuchungen von 224 Patientinnen und Patienten mit einem akuten Myokardinfarkt und 224 Patientinnen und Patienten mit einem Takotsubo-Syndrom ein.
In einem ersten Schritt wurde ein Deep-Learning-Modell entwickelt. Für das Training wurden die Daten von insgesamt 228 Patienten verwendet. Das Ziel bei solchen Verfahren ist es, dass die «künstliche Intelligenz» in den unstrukturierten Rohdaten Muster erkennt und sich diese Muster mit der Menge der Datensätze laufend präzisieren. KI ist auf diese Weise unter Umständen in der Lage, Bilder zuzuordnen oder Unterscheidungen vorzunehmen, die der menschlichen Aufmerksamkeit entgehen.
KI war den Kardiologen überlegen
Im nächsten Schritt wurde der so entwickelte Algorithmus für die Analyse der weiteren 200 Datensätze eingesetzt. Um Genauigkeit und Treffsicherheit zu vergleichen, bewerteten vier erfahrene Kardiologen ihrerseits dieselben 200 Datensätze. Die Auswertung der Ergebnisse zeigte, dass die vollautomatische Analyse mittels künstlicher Intelligenz den Kardiologen überlegen war.
Bevor eine Nutzung im klinischen Alltag möglich ist, müssen allerdings weitere Studien folgen. Nicht zuletzt deshalb, weil in diesem Fall die zugrundeliegenden Daten auf zwei Krankheitsbilder und eine beschränkte Anzahl Datensätze limitiert waren. «Dennoch konnten wir mit dieser Studie das Potenzial von KI zeigen», erklärt Christian Templin, Kardiologe am USZ und Letztautor der Studie. «Stehen künftig grössere Datensätze zur Verfügung, könnten die Vorhersagen mittels Deep Learning noch erheblich verbessert werden und weitere Einblicke in die Dynamik der normalen und krankhaften Herzfunktion gewähren.» Angesichts stets zunehmender Datenmengen in der medizinischen Diagnostik steigt auch der Bedarf nach effizienter Verarbeitung und Analyse. Der Einsatz von KI steht erst am Anfang.
Die Studie wurde im Jama Cardiology veröffentlicht.
