Cardiomatics - AI to cardiac diagnostic and treatment.

Die Weltgesundheitsorganisation berichtet, dass Herz-Kreislauf-Erkrankungen weltweit die häufigste Todesursache darstellen [1]. Eine dieser Erkrankungen ist die Herzinsuffizienz – ein Zustand, bei dem das Herz nicht ausreichend Blut zu den Organen in unserem Körper pumpen kann. Dies führt zu einem Mangel an Sauerstoff und Nährstoffen in den Körperzellen, was enorme Auswirkungen auf die Funktionsweise des Organismus haben kann. Leider nimmt die Zahl der Patienten mit Herzinsuffizienz stetig zu. Darüber hinaus hat die Verbesserung der Versorgung von Patienten mit einem Myokardinfarkt zu höheren Überlebensraten geführt, aber im Ergebnis leiden nun immer mehr Patienten an Herzinsuffizienz.

Natürlich steht eine medikamentöse Behandlung der Herzinsuffizienz zur Verfügung, aber sie ist nicht immer ausreichend. Die kardiale Resynchronisationstherapie (CRT) ist eine Option für Patienten mit einer Herzinsuffizienz mit reduzierter Ejektionsfraktion (HFrEF), bei denen die Pharmakotherapie allein nicht ausreicht, um die Symptome zu reduzieren und die Herzfunktion zu kontrollieren [2]. Das Ziel der CRT ist die Wiederherstellung einer physiologisch normalen elektrischen Herzaktivität, die im Verlauf der Grunderkrankung oft verändert ist. Dies kann durch das Implantieren von Elektroden in das Gefäßsystem erreicht werden, die mit einem Herzschrittmacher mit Resynchronisationsfunktion verbunden sind. Klinische Studien zur Bewertung dieser Methode zeigten positive Ergebnisse in Bezug auf die Linderung der Symptome und vor allem hinsichtlich der Verbesserung der Überlebensrate der Betroffenen. Sowohl der Vergleich von medizinischer Therapie, Stimulation und Defibrillation bei Herzinsuffizienz (COMPANION) als auch die Studien zur kardialen Resynchronisation – Herzinsuffizienz (CARE-HF) [3,4], die den Eckpfeiler der Elektrotherapie bei Herzinsuffizienz-Patienten darstellten, zeigten eine bis zu 36%ige Reduktion der Sterblichkeit, was in gegenwärtigen Studien ein selten beobachtetes Wirkungsausmaß darstellt [5].

Kardiale Resynchronisationstherapie – Probleme

Kliniker bewerten die Wirksamkeit der CRT auf der Grundlage von echokardiographischen Ergebnissen, klinischer Bewertung und/oder EKG-Aufzeichnung. Leider profitieren nicht alle Patienten in gleicher Weise von der CRT. Nach den vorliegenden Daten können bis zu einem Drittel der Patienten als „Non-Responder“ [6] eingestuft werden, sprechen also nicht auf die Behandlung an. Die Gründe für die ausbleibende Verbesserung des Gesundheitszustands eines Patienten nach Erhalt eines CRT-Geräts sollten aus verschiedenen Perspektiven im Zusammenhang mit dem Herzinsuffizienz-Management untersucht werden. Die Optimierung der Einstellungen dieses Geräts ist sehr zeitaufwändig, kann jedoch positive Ergebnisse bringen und den Zustand des Patienten verbessern. Selbstverständlich ist eine längere Beobachtung (also ein 24-Stunden-Langzeit-EKG) vorteilhaft und kann weitere Informationen über den Mechanismus des ausbleibenden Ansprechens auf die CRT liefern. Leider führt ein größeres Ausmaß an Daten zugleich dazu, dass Ärzte auch mehr ihrer kostbaren Zeit dafür aufwenden müssen, um sie auszuwerten.

Aufgrund der Tatsache, dass Ärzten nur wenig Zeit für jeden Patienten zur Verfügung steht, suchen Kliniker nach neuen Lösungen, um die Analyse von Langzeit-EKG-Aufzeichnungen zu unterstützen. Drei europäische Gesellschaften für Kardiologie [7] haben jüngst einen Aufruf zur Überweisung und Optimierung der Versorgung von Patienten mit CRT gestartet.

Gibt es eine Möglichkeit zur Optimierung der Arbeit von klinischen Ärzten?

Wir sind davon überzeugt. Daher haben wir uns in Zusammenarbeit mit der Medizinischen Universität Warschau um eine Beihilfe des Nationalen Zentrums für Forschung und Entwicklung in Polen beworben. Das Ziel dieses Projekts (NCT04061434) war die Entwicklung eines KI-Algorithmus basierend auf EKG-Aufzeichnungen und die Bewertung seiner Fähigkeit, eine ineffektive CRT-Stimulation zu erkennen. Die Anwendung dieser Methode in der klinischen Praxis könnte möglicherweise zu einer erhöhten Effizienz und einer besseren Versorgung der Patienten führen.

Ergebnisse und Schlussfolgerungen

An der Studie nahmen 541 Patienten teil, von denen 1241 Aufzeichnungen zusammengestellt wurden. Eine Bewertung der Wirksamkeit von CRT wurde bei Patienten durchgeführt, bei denen folgende Kriterien erfüllt waren: wirksame CRT, unwirksame CRT und Ausgangsrhythmus ohne jegliche Stimulation. Auf der Grundlage des Trainings des Algorithmus erreichten wir eine gute Sensitivität bei der Erkennung einer wirksamen CRT-Stimulation (99,2 %, bei einer Genauigkeit von 92,4 %). Die Fehlerrate der automatischen Analyse des so aufbereiteten Datensatzes wurde auf der Ebene einzelner Herzschläge ermittelt und betrug 0,25 % [8].

Unser Algorithmus zeigte sehr positive Ergebnisse und seine klinische Anwendung besitzt viele wertvolle Aspekte. Die kostbare Zeit des Klinikpersonals kann so besser eingesetzt und die CRT-Wirksamkeit schneller analysiert werden. Dadurch lassen sich CRT-Einstellungen optimieren, wodurch möglicherweise mehr Patienten von verbesserten Prognosen profitieren können. Ärzte werden dadurch in die Lage versetzt, eine größere Anzahl von Patienten professionell zu versorgen, anstatt lange EKG-Aufzeichnungen zu analysieren.

Mehr darüber erfahren Sie in dem in einem Peer-Review-Verfahren begutachteten Artikel „Use of Machine Learning Algorithms in the Evaluation of the Effectiveness of Resynchronization Therapy“, der im Journal of Cardiovascular Development and Disease veröffentlicht wurde. Cardiovascular Development and Disease

Führen Sie Forschungen durch, bei denen Sie EKG-Aufzeichnungen verwenden?

Probieren Sie unsere Lösung aus.

Nehmen Sie Kontakt mit unserem klinischen Team auf.

Literaturverzeichnis

[1] Khan, M.A.; et al. Global Epidemiology of Ischemic Heart Disease: Results from the Global Burden of Disease Study. Cureus 2020, 12, 9349.

[2]  McDonagh,T.A.; et al. Corrigendum to: 2021 ESC Guidelines for the diagnosis and treatment of acute and chronic heart failure. Eur. Heart J. 2021, 42, 3599–3726.

[3] Liang, Y.; et al. Prediction of response after cardiac resynchronization therapy with machine learning. Int. J. Cardiol. 2021, 344, 120–126. 

[4] Cleland, J.G.; et al. Long-term mortality with cardiac resynchronization therapy in the Cardiac Resynchronization-Heart Failure (CARE-HF) trial. Eur. J. Heart Fail. 2012, 14, 628–634.

[5] Bilchick, K.C.; et al. Bundle-Branch Block Morphology and Other Predictors of Outcome After Cardiac Resynchronization Therapy in Medicare Patients. Circulation 2010, 122, 2022–2030.

[6] Howell, S.J.; et al. Using Machine-Learning for Prediction of the Response to Cardiac Resynchronization Therapy: The SMART-AV Study. JACC Clin. Electrophysiol. 2021, 7, 1505–15.

[7] Mullens, W.; et al. Optimized implementation of cardiac resynchronization therapy. Eur. J. Heart Fail. 2020, 22, 2349–2369.

[8] Krzowski, B.; et al. The Use of Machine Learning Algorithms in the Evaluation of the Effectiveness of Resynchronization Therapy. J. Cardiovasc. Dev. Dis. 2022, 9, 17.