Maschinelles Lernen in der Diagnostik der koronaren Herzkrankheit
Die koronare Herzkrankheit (KHK) bleibt weltweit eine der häufigsten Todesursachen bei Männern und Frauen. Trotz medizintechnischer Fortschritte stellt die Diagnose der KHK nach wie vor eine komplexe Herausforderung dar. Schnelle und präzise Diagnoseentscheidungen sind entscheidend für eine effektive Behandlung und verbesserte Patientenergebnisse. In den letzten Jahren hat sich maschinelles Lernen (ML) als leistungsstarkes Werkzeug in der medizinischen Diagnostik etabliert, das das Potenzial bietet, die Genauigkeit und Effizienz der KHK-Erkennung zu steigern. Dieser Artikel untersucht die Anwendung von ML in der KHK-Diagnostik unter besonderer Berücksichtigung der Integration verschiedener diagnostischer Modalitäten wie Elektrokardiogramm (EKG), Phonokardiogramm (PCG), koronare Computertomographie-Angiographie (CCTA) und Koronarangiographie.
Die Rolle des maschinellen Lernens in der KHK-Diagnostik
Maschinelles Lernen, ein Teilbereich der künstlichen Intelligenz, nutzt Algorithmen und statistische Modelle, um durch Mustererkennung und Dateninterpretation spezifische Aufgaben zu lösen. Im Kontext der KHK-Diagnostik wurde ML zur Analyse von Daten aus verschiedenen Diagnosewerkzeugen eingesetzt, um eine schnelle und präzise Erkennung der Erkrankung zu ermöglichen. Die Integration von ML in die KHK-Diagnostik könnte die Arbeitsbelastung von Klinikern verringern, diagnostische Fehler reduzieren und die Patientenergebnisse verbessern.
Elektrokardiogramm (EKG) und maschinelles Lernen
Das EKG ist ein weitverbreitetes Diagnoseinstrument zur Aufzeichnung der elektrischen Herzaktivität. Es eignet sich besonders zur Detektion elektrophysiologischer Veränderungen im Zusammenhang mit einer KHK. Die traditionelle EKG-Auswertung weist jedoch Limitationen auf, darunter eine geringe diagnostische Sensitivität und Anfälligkeit für menschliche Fehler aufgrund niedriger EKG-Signalamplitude. Zudem können ischämiebedingte EKG-Veränderungen inkonsistent auftreten, was die Diagnose erschwert.
Maschinelles Lernen zeigt vielversprechende Ansätze zur Überwindung dieser Grenzen. ML-Algorithmen können EKG-Schläge zerlegen, morphologische Merkmale extrahieren und EKG-Signale mit hoher Genauigkeit klassifizieren. Aktuelle Studien berichten, dass ML-unterstützte EKG-Diagnosen der KHK eine Genauigkeit von bis zu 99 % erreichen. Diese deutliche Verbesserung unterstreicht das Potenzial von ML, den diagnostischen Nutzen des EKG bei der KHK-Erkennung zu steigern.
Phonokardiogramm (PCG) und maschinelles Lernen
Das PCG zeichnet Herzgeräusche und -töne auf und dient der Erkennung von Aortenklappenerkrankungen, Arrhythmien, KHK und Herzinsuffizienz. PCG kann diastolische Geräusche bei stenotischen Koronarstörungen detektieren und liefert wertvolle Informationen zur kardialen Hämodynamik. Studien zeigen, dass die niederfrequente diastolische Schallleistung bei KHK-Patienten im Vergleich zu Nicht-KHK-Patienten bei 31,5 Hz um etwa 5 dB ansteigt. Dieser Unterschied kann für die KHK-Diagnostik genutzt werden.
ML wurde zur automatischen Erkennung und Klassifizierung von Herzgeräuschen aus PCG-Signalen eingesetzt. Der prädiktive Wert akustischer Systeme für die KHK-Diagnose liegt bei bis zu 82 %, was eine kostengünstige und nicht-invasive Alternative zu bildgebenden Verfahren darstellt.
Koronare Computertomographie-Angiographie (CCTA) und maschinelles Lernen
Die CCTA ist ein nicht-invasives Bildgebungsverfahren zur Darstellung der Koronararterien. Sie wird vorrangig bei Verdacht auf Angina pectoris eingesetzt und ermöglicht die Bestätigung einer KHK-Diagnose, was zeitnahe Interventionen und eine Reduktion des Myokardinfarktrisikos fördert. Neben der Detektion von Stenosen erlaubt die CCTA die Beurteilung atherosklerotischer Plaques und koronarer Remodeling-Prozesse.
Die subjektive Interpretation von CCTA-Bildern kann jedoch zu diagnostischer Variabilität führen. ML wurde zur automatisierten Identifikation koronarer Läsionen eingesetzt, um diese Variabilität und den Zeitaufwand der Bildauswertung zu reduzieren. Eine retrospektive Studie mit 94 Teilnehmern aus dem CONFIRM-Register zeigte, dass die XGBoost-ML-Methode eine Genauigkeit von 88,1 % bei der Diagnose obstructiver KHK (definiert als ≥50 % Stenose) erreichte.
Koronarangiographie und maschinelles Lernen
Die Koronarangiographie gilt als Goldstandard der KHK-Diagnostik. Sie liefert detaillierte Informationen über Lage und Ausmaß arterieller Stenosen. Allerdings handelt es sich um ein invasives und kostenintensives Verfahren mit einer klinischen Mortalitätsrate von 2–3 %. Die Interpretation angiographischer Bilder erfordert klinische Expertise, und Fehler können durch unterschiedliche Erfahrungsniveau entstehen. Zudem ist die Speicherung und Archivierung angiographischer Daten für Forschungszwecke herausfordernd.
ML wurde zur objektiveren und effizienteren Analyse angiographischer Daten genutzt. Die Support-Vector-Machine (SVM)-Methode, angewendet auf 303 KHK-Patienten mit 54 Merkmalen, erreichte Genauigkeiten von 86,14 %, 83,17 % und 83,50 % für die Diagnose von Stenosen der linken absteigenden (LAD), circumflexen (LCX) und rechten Koronararterie (RCA).
Herausforderungen und zukünftige Richtungen
Trotz vielversprechender Ergebnisse stehen der ML-basierten KHK-Diagnostik mehrere Hürden gegenüber. Die Leistung von ML-Algorithmen hängt stark von der Verfügbarkeit und Qualität der Trainingsdaten ab. Viele Studien basieren auf kleinen Stichproben, was die Generalisierbarkeit der Ergebnisse limitiert. Beispielsweise wurden hohe Genauigkeiten von 100 % nur in kleinen Datensätzen (z. B. 143 Fälle) erzielt.
Der Mangel an großangelegten klinischen Studien und umfassenden Trainingsdatensätzen – einschließlich Daten zur Angina-pectoris-Anamnese und archivierten Bildern – behindert die breite klinische Anwendung von ML. Zudem ist die Integration multimodaler Diagnostik (EKG, PCG, CCTA, Angiographie) entscheidend für eine umfassende KHK-Diagnose. Die Kombination dieser Methoden ermöglicht eine ganzheitliche Beurteilung der Symptome und verbessert die diagnostische Zuverlässigkeit.
Fortschritte in der Rauschreduktion, Dimensionsreduktion und Rechenmethoden werden die ML-Genauigkeit weiter erhöhen. Dennoch wird ML voraussichtlich eher ein komplementäres Werkzeug bleiben, das die klinische Expertise ergänzt, anstatt sie zu ersetzen.
Fazit
Maschinelles Lernen hat das Potenzial, die KHK-Diagnostik durch höhere Genauigkeit, Effizienz und Objektivität zu revolutionieren. Die Integration von ML in Verfahren wie EKG, PCG, CCTA und Angiographie zeigt vielversprechende Ergebnisse mit Genauigkeiten bis zu 99 %. Dennoch müssen Herausforderungen wie Datenverfügbarkeit, Stichprobengröße und multimodale Integration adressiert werden, um das volle Potenzial von ML auszuschöpfen. Mit der Weiterentwicklung der Technologie wird ML eine zunehmend wichtige Rolle in der Verbesserung der KHK-Diagnostik und -Therapie spielen, um letztlich die Patientenergebnisse zu optimieren.
doi: 10.1097/CM9.0000000000001202