Künstliche Intelligenz erkennt heimliches Vorhofflimmern
Zum Nachweis des Vorhofflimmerns wird versucht, die Arrhythmie im EKG zu entdecken. Ein Algorithmus könnte dagegen ein „verstecktes Flimmern“ sogar im Sinusrhythmus aufspüren und damit die Suche nach der Nadel im Heuhaufen beenden.
Die Idee von Dr. Zachi Itzahk Attia und seinen Kollegen ist dem HbA1c-Wert als Diabetes-Biomarker nicht unähnlich. Hinweise auf das Vorhofflimmern werden bei einem normalen Sinusrhythmus erkannt, genauso wie ein erhöhter Bluthämoglobinwert bei normaler Nüchternglukose aussagekräftig ist. Eine einzelne Stichprobe, sei es Blutzucker oder EKG, übersieht oft die Warnzeichen.
Ein Analogon zum „Langzeitblutzucker“ müsste über einen Algorithmus auch bei supraventrikulären Tachykardien möglich sein, glauben der Ko-Direktor für Künstliche Intelligenz in der Kardiologie der Mayo Clinic in Rochester und sein Team. Viele Auffälligkeiten zeigen sich, bevor sich das Vorhofflimmern entwickelt. Fibrosen, muskuläre Hypertrophien und atriale Vergrößerungen führen beispielsweise laut ihrer Theorie schon zu subtilen Änderungen, die eine Künstliche Intelligenz (KI) im Vorfeld erkennen würde.
Die Wissenschaftler fütterten die Maschine mit 519.129 Kurven von 144.642 Patienten, um ihren Algorithmus zu trainieren und zu validieren. Dann durfte sich die KI an 130.802 EKG von 36.280 Probanden versuchen. Die im Datensatz versteckten 3.051 Positivkontrollen nach vorausgegangenem Vorhofflimmern erkannte der Computer mit einer Sensitivität von 79 Prozent – im späteren Sinusrhythmus. Die Spezifität betrug 79,5 Prozent. Wurden in die Analyse alle Untersuchungen des letzten Monats einbezogen, stiegen Sensitivität und Spezifität auf 82,3 bzw. 83,4 Prozent.
„Unsere Daten deuten daraufhin, dass ein einfacher, billiger, nicht-invasiver Zehn-Sekunden-Test es womöglich erlaubt, bislang unerkannte Vorhofflimmer-Patienten zu identifizieren“, schreiben die Autoren. Und das mit der Rechenpower eines Smartphones.
Durch eine Justierung der Sensitivitäts- und Spezifitäts-Cut-off-Points ließe sich die Technik zum Beispiel nutzen, um die Patienten für die Diagnostik vorzusortieren. Einen Nachteil muss die Gruppe allerdings einräumen: Es gibt noch keine Untersuchung, die zeigt, ob sich der Test auch im tatsächlichen Praxisalltag bewährt.
Referenz:
Attia ZI et al. Lancet 2019; 394: 861–867