Entwicklung und Validierung eines Deep-Learning-Modells zur Screening von Hypokaliämie mittels Elektrokardiogramm bei Notfallpatienten
Hypokaliämie, definiert als eine Serumkaliumkonzentration unter 3,5 mmol/L, zählt zu den häufigsten Elektrolytstörungen in der klinischen Praxis. Dieser potenziell lebensbedrohliche Zustand erfordert insbesondere in Notfallsituationen eine rasche Diagnose und Intervention. Traditionell gilt die Blutuntersuchung zur Bestimmung der Serumkaliumkonzentration als Goldstandard. Diese Methode weist jedoch Limitationen auf, darunter lange Analysezeiten und eingeschränkte Wiederholbarkeit, was zu verzögerten Therapieentscheidungen führen kann. Vor diesem Hintergrund besteht ein dringender Bedarf an nicht-invasiven Screeningmethoden zur schnellen Erkennung von Hypokaliämie, insbesondere in Notaufnahmen.
Das Elektrokardiogramm (EKG) spielt seit Langem eine zentrale Rolle bei der Identifikation hypokaliämiebedingter Veränderungen. Typische EKG-Manifestationen umfassen T-Wellen-Abnormitäten, ST-Strecken-Senkungen, QT-Zeit-Verlängerungen und U-Wellen ≥0,1 mV. Klinisch werden diese Veränderungen jedoch häufig übersehen, was insbesondere im Notfallsetting zu verzögerten Diagnosen führen kann.
Künstliche Intelligenz (KI) und Deep-Learning-Modelle (DLM) haben in der kardiovaskulären Medizin zunehmend an Bedeutung gewonnen, beispielsweise bei der Vorhersage von linksventrikulärer Funktion oder Vorhofflimmern. Die Anwendung von KI zur EKG-Analyse bietet neuartige Möglichkeiten zur Detektion subtiler hypokaliämischer Veränderungen.
Ziel dieser Studie war die Entwicklung und Validierung eines DLM zur Hypokaliämie-Erkennung mittels 12-Kanal-EKG bei Notfallpatienten. Hierfür wurden 9.908 EKG-Datensätze des Zweiten Affiliierten Krankenhauses der Universität Nanchang (China) ausgewertet, die zwischen September 2017 und Oktober 2020 erhoben wurden. Die Blutentnahmen erfolgten innerhalb von 10 Minuten vor oder nach der EKG-Ableitung unter Ausschluss von Patienten mit zwischenzeitlicher Kaliumsubstitution.
Das auf einem Convolutional Neural Network (CNN) basierende Modell wurde mittels TensorFlow implementiert. Die Architektur umfasste 11 Schichten (10 Faltungsschichten, 1 vollverbundene SoftMax-Schicht). Die Datensätze wurden in Trainings- (6.904 EKGs), interne Validierungs- (1.726 EKGs) und externe Validierungskohorten (1.278 EKGs der Jiangling-Klinik) unterteilt.
In der internen Validierung erreichte das Modell eine AUC von 0,80 (95 %-KI: 0,77–0,82) mit einer Sensitivität von 71,4 % und Spezifität von 77,1 %. In der externen Validierung betrug die AUC 0,77 (95 %-KI: 0,75–0,79) bei 70,0 % Sensitivität und 69,1 % Spezifität. Ein auf Ableitung II reduziertes Modell zeigte inferiorere Leistung (AUC 0,68 intern/0,64 extern), was die Überlegenheit der 12-Kanal-Analyse unterstreicht.
Die Robustheitsanalyse ergab starke Konfundierungseffekte bei bestimmten EKG-Anomalien: Während bei Schrittmacherelektrokardiogrammen eine Accuracy von 100 % erzielt wurde, sank diese bei komplettem Linksschenkelblock (CLBBB) auf 16,7 %. Bei Vorhofflimmern betrug die diagnostische Genauigkeit 72,1 %.
Diese Ergebnisse demonstrieren das Potenzial DL-basierter EKG-Analysen als schnelles Screening-Tool bei Hypokaliämieverdacht. Die Integration in klinische Monitoringsysteme könnte eine Echtzeitüberwachung der Kaliumhomöostase ermöglichen, insbesondere in ressourcenlimitierten Settings. Limitierungen betreffen die reduzierte Leistung bei CLBBB und die monozentrische Datengrundlage. Prospektive Studien zur klinischen Outcome-Verbesserung werden empfohlen.
Die Studie unterstreicht den Paradigmenwechsel hin zu KI-gestützten Diagnosehilfen in der Notfallmedizin. Trotz bestehender Einschränkungen markiert das entwickelte Modell einen wichtigen Schritt zur nicht-invasiven, zeitkritischen Erkennung elektrolytbedingter Krisensituationen.
doi.org/10.1097/CM9.0000000000001650