Das KI-basierte Lernmodell wurde mithilfe eines tiefen neuronalen Netzwerks und 115.505 ambulanten EKG-Aufzeichnungen entwickelt, die von unabhängigen diagnostischen Testeinrichtungen in fünf Ländern gesammelt wurden. Anschließend wurde das Modell anhand retrospektiver 14-tägiger (2019–2023) ambulanter EKG-Aufzeichnungen zur Bestimmung ventrikulärer Tachykardie retrospektiv validiert.

Ventrikuläre Tachykardie vorhersagen

Anschließend untersuchten die Forscher die Fähigkeit des Algorithmus, Daten aus den ersten 24 Stunden der Patientenüberwachung zu nutzen, um die Wahrscheinlichkeit vorherzusagen, dass in den zwei Wochen eine anhaltende ventrikuläre Tachykardie (VT) von mehr als 30 Sekunden Dauer auftreten würde.

Im internen Validierungsdatensatz erreichte das Modell eine AUC von 0,939 mit einer Sensitivität von 83,3 % und einer Spezifität von 88,7 %. Im externen Validierungsdatensatz betrug die AUC 0,911 mit einer Sensitivität und Spezifität von 78,9 % bzw. 81,4 %. Das Modell hat das Auftreten einer VT bei 88 % der Holster mit schneller VT (≥ 180 Schläge pro Minute) korrekt vorhergesagt. Das Referenzmodell ergab eine interne Validierungs-AUC von 0,833.

„Prädiktive Biomarker können eine frühzeitige Risikoerkennung, eine bessere Patientenüberwachung und ein besseres Patientenmanagement ermöglichen und so zu besseren Ergebnissen beitragen. KI-gestützte digitale Biomarker können auch dazu beitragen, die Herzversorgung von der reaktiven Medizin zur präventiven Medizin weiter zu transformieren“, sagte Manish Wadhwa, Leiter der Abteilung Ambulatory Medical Services, Monitoring and Diagnostics bei Philips.

Weitere Informationen zur Studie mit dem Titel „Near-Term Prediction of Life-Threatening Ventricular Arhythmias using Artificial Intelligence-Enabled Single Lead Ambulatory ECG“ finden Sie hier Veröffentlichung der Heart Rhythm Society.

Das Potenzial von KI

Frühere Studien zum Einsatz von KI-Modellen in der Kardiologie haben auch gezeigt, dass diese neue Technologie bei der Früherkennung oder Vorhersage von Erkrankungen wie Vorhofflimmern (AFib) von großem Wert sein kann. Beispielsweise haben deutsche Wissenschaftler im Jahr 2021 eine neue Generation von KI-Chips entwickelt, die künftig zur Früherkennung von Vorhofflimmern oder Vorhofflimmern eingesetzt werden können.

Ein weiteres gutes Beispiel für das Potenzial von KI für die Herzversorgung und -diagnostik ist die Studie, die das Haga Hospital letztes Jahr mit Fitbit gestartet hat. In einer Pilotstudie wird mithilfe von KI-Modellen nach Hinweisen auf den Beginn einer Herzinsuffizienz gesucht, bevor die ersten Symptome auftreten. Hierzu werden große Mengen an Gesundheitsdaten genutzt, die mit Fitbit-Wearables gesammelt werden. Die erhobenen Gesundheitsdaten werden mit Einwilligung der Teilnehmer vollständig anonymisiert in der Google Cloud gespeichert. Anschließend werden die Daten mithilfe eines KI-Algorithmus auf Hinweise auf eine (zukünftige) Herzinsuffizienz analysiert.