Berner Herzforschung: Künstliche Intelligenz präzisiert Behandlungsrisiken

Forschende des Inselspitals Bern und der Universität Bern haben zwei Studien vorgelegt, die zeigen, wie künstliche Intelligenz die Einschätzung von Behandlungsrisiken bei Herzpatienten verbessern kann.

Im Zentrum stehen zwei unterschiedliche Patientengruppen: Menschen, die eine kathetergestützte Aortenklappenimplantation (TAVI) erhalten, sowie Patienten mit einer speziellen Form der Herzmuskelerkrankung, der Transthyretin-Amyloid-Kardiomyopathie. Beide Arbeiten wurden in renommierten Fachjournalen veröffentlicht – eine in The Lancet Digital Health, die andere in JAMA Cardiology.

Bessere Prognosen bei TAVI-Eingriffen

Die TAVI-Studie basiert auf Daten von 2985 Berner Patienten. Die Forschenden entwickelten ein KI-Modell, das im Vergleich zu etablierten Risiko-Scores eine um 10 bis 15 Prozent höhere Genauigkeit bei der Vorhersage von Behandlungsrisiken erreicht.

Um sicherzustellen, dass das Modell nicht nur auf die Berner Patientenpopulation zugeschnitten ist, wurde es extern an mehr als 1000 Patientinnen und Patienten in Japan validiert. Diese externe Validierung gilt als wichtiger Schritt, um die Übertragbarkeit von KI-Modellen auf unterschiedliche Bevölkerungsgruppen und Gesundheitssysteme zu überprüfen.

Etablierte Risiko-Scores, mit denen Ärztinnen und Ärzte bislang arbeiten, stützen sich meist auf eine begrenzte Zahl klinischer Parameter. KI-gestützte Modelle können dagegen deutlich mehr Variablen gleichzeitig verarbeiten und komplexere Zusammenhänge zwischen ihnen erkennen. Das kann laut den Berner Forschenden dazu beitragen, Patienten präziser einzuschätzen, bevor eine Klappenimplantation durchgeführt wird.

Deutliche Verbesserung bei Amyloid-Kardiomyopathie

Die zweite Studie widmet sich der Transthyretin-Amyloid-Kardiomyopathie, einer Erkrankung, bei der sich fehlgefaltete Proteine im Herzmuskel ablagern und dessen Funktion beeinträchtigen.

Auf Basis von Daten von 850 Patienten zeigte das entwickelte KI-Modell eine Genauigkeitssteigerung von bis zu 20 Prozent gegenüber den bislang gebräuchlichen Mayo- und NAC-Scores, zwei international verbreiteten Klassifikationssystemen zur Risikoeinschätzung bei dieser Erkrankung.

Die Berner Studien zeigen: KI-Modelle sagen Behandlungsrisiken bei TAVI und Amyloid-Kardiomyopathie bis zu 20% genauer voraus als herkömmliche Scores. Doch wie integrieren Sie diese Werkzeuge sicher in Ihren Praxisalltag? Unser Leitfaden liefert eine Schritt-für-Schritt-Anleitung. Jetzt kostenlosen Leitfaden anfordern

Diese Steigerung fällt damit noch deutlicher aus als bei der TAVI-Studie. Da die Amyloid-Kardiomyopathie eine seltenere und oft spät erkannte Erkrankung ist, könnte eine präzisere Risikoeinschätzung nach Einschätzung der Forschenden helfen, Behandlungsentscheidungen früher und gezielter zu treffen.

Werkzeuge bereits online verfügbar

Beide KI-Modelle stehen bereits online zur Verfügung. Damit können sie grundsätzlich von Ärztinnen und Ärzten außerhalb des Inselspitals genutzt oder zumindest eingesehen werden. Gleichzeitig betonen die Forschenden, dass klinische Tests der Werkzeuge im Behandlungsalltag noch ausstehen.

Der Weg von einer statistisch nachgewiesenen Verbesserung der Vorhersagegenauigkeit bis zum tatsächlichen Einsatz in der klinischen Routine erfordert in der Regel weitere Studienphasen, in denen geprüft wird, ob sich die theoretischen Vorteile auch im praktischen Behandlungsalltag niederschlagen.

Bedeutung für die kardiologische Praxis

Die beiden Studien reihen sich in eine wachsende Zahl von Forschungsprojekten ein, die versuchen, maschinelles Lernen für die Risikostratifizierung in der Kardiologie nutzbar zu machen.

Externe Validierung ist der Schlüssel zur klinischen Akzeptanz von KI-Modellen – wie die Berner Forscher mit ihrer japanischen Vergleichsgruppe zeigen. Erfahren Sie, worauf Sie bei der Prüfung solcher Werkzeuge achten müssen. Leitfaden zur KI-Validierung jetzt sichern

Entscheidend für die klinische Akzeptanz solcher Modelle ist neben der reinen Genauigkeit auch ihre Validierung an unabhängigen, möglichst diversen Patientenkohorten – wie es die Berner Forschenden mit der japanischen Vergleichsgruppe im Fall der TAVI-Studie bereits umgesetzt haben.

Ob und wie schnell die beiden Werkzeuge tatsächlich Eingang in die klinische Entscheidungsfindung finden, dürfte sich erst in den kommenden klinischen Erprobungsphasen zeigen.

de | wissenschaft | 70043393 |