“Herzinsuffizienz” ist ein Sammelbegriff, der jeden Zustand beschreibt, bei dem das Organ nicht so funktioniert, wie es soll – die Erfahrung einer Person mit der Krankheit kann sich jedoch stark von der einer anderen Person unterscheiden.
Forscher des University College London (UCL) nutzten kürzlich maschinelles Lernen – eine Art von künstliche Intelligenz – um fünf verschiedene Arten von Herzinsuffizienz zu identifizieren, mit dem Ziel, die Prognose für die verschiedenen Arten vorherzusagen.
„Wir wollten die Art und Weise verbessern, wie wir Herzinsuffizienz klassifizieren, mit dem Ziel, den wahrscheinlichen Krankheitsverlauf besser zu verstehen und ihn den Patienten mitzuteilen“, sagte Hauptautor Professor Amitava Banerjee vom UCL in einer Pressemitteilung zur Ankündigung der Studie.
Herzkrankheit, der stille Killer: Studie zeigt, dass sie ohne Symptome auftreten kann
„Derzeit ist der Verlauf der Krankheit für den einzelnen Patienten schwer vorherzusagen“, sagte er außerdem. „Manche Menschen bleiben über viele Jahre stabil, während es anderen schnell schlechter geht.“
Die fünf identifizierten Arten von Herzinsuffizienz waren früh einsetzende, spät einsetzende Herzinsuffizienz, Vorhofflimmern (das einen unregelmäßigen Herzrhythmus verursacht), metabolische (mit Fettleibigkeit verbunden laut einer Pressemitteilung auf der UCL-Website.
Für jede Art von Herzinsuffizienz ermittelten die Forscher die Wahrscheinlichkeit, dass die Person innerhalb eines Jahres nach der Diagnose stirbt. Sie fanden heraus, dass die Prognose für die fünf Subtypen sehr unterschiedlich sei. (iStock)
„Die fünf Arten von Herzinsuffizienz basierten auf gemeinsamen Risikofaktoren wie dem Alter bei Beginn der Herzinsuffizienz, der Vorgeschichte einer Herzerkrankung, der Vorgeschichte kardialer Risikofaktoren wie Diabetes und Fettleibigkeit oder Vorhofflimmern (das häufigste Herzrhythmusproblem). )“, erklärte Banerjee in einer Erklärung gegenüber Fox News Digital.
Für die in der Fachzeitschrift Lancet Digital Health veröffentlichte Studie analysierten die Forscher Daten von mehr als 300.000 britischen Erwachsenen im Alter von 30 Jahren und älter, die über einen Zeitraum von 20 Jahren an Herzversagen gelitten hatten.
EIN ÜBERRASCHENDER FAKTOR KÖNNTE DAS RISIKO VON HERZKRANKHEITEN BEEINFLUSSEN, ENTDECKT EINE NEUE STUDIE
„Vier Methoden des maschinellen Lernens wurden verwendet, um Personen mit Herzinsuffizienz in elektronischen Gesundheitsdaten anhand ihrer Grundmerkmale zu gruppieren“, sagte Banerjee. „Es wurden die Methode und die Anzahl der Cluster ausgewählt, die am besten zu den Daten ‚passen‘.“
Für jede Art von Herzinsuffizienz ermittelten die Forscher die Wahrscheinlichkeit, dass die Person innerhalb eines Jahres nach der Diagnose stirbt. Sie fanden heraus, dass die Prognose für die fünf Subtypen sehr unterschiedlich sei.
Das 5-Jahres-Mortalitätsrisiko betrug 20 % bei frühem Beginn, 46 % bei spätem Beginn, 61 % bei Vorhofflimmern, 11 % bei metabolischem und 37 % bei kardiometabolischem Vorhofflimmern, heißt es in der Pressemitteilung.
Die größte Einschränkung der neuen UCL-Studie bestand darin, dass die Forscher keinen Zugriff auf Bilddaten hatten, die am häufigsten zur Diagnose und Risikovorhersage bei Herzinsuffizienz verwendet werden. (iStock)
Für GesundheitsexpertenBanerjee empfiehlt, dass sie ihre Patienten mit Herzinsuffizienz nach häufigen Risikofaktoren befragen, um ihnen zu helfen, den Subtyp zu verstehen, an dem sie leiden.
„Forscher müssen auch testen, wie verwendbar, verallgemeinerbar und akzeptabel diese in unserer Studie definierten Subtypen in der klinischen Praxis sind“, fügte er hinzu.
„Sie sollten auch darüber nachdenken, ob Studien wie unsere, die KI verwendenkann zu einem besseren Verständnis von Krankheitsprozessen und der Arzneimittelentwicklung beitragen.“
Das Forschungsteam entwickelte außerdem eine App für Ärzte, mit der sie feststellen können, an welchem Subtyp der Herzinsuffizienz ein Patient leidet – mit dem Ziel, das Risiko besser vorherzusagen und die Patienten zu informieren.
KI UND HERZGESUNDHEIT: MASCHINEN LESEN ULTRASCHALL BESSER ALS SONOGRAFEN, SAGT DIE STUDIE
Dr. Ernst von Schwarz, ein dreifach zertifizierter klinischer und akademischer Kardiologe an der UCLA in Kalifornien, überprüfte die Ergebnisse der UCL-Studie.
„Für Kliniker ist es interessant, Herzinsuffizienz anhand der Prognose zu differenzieren, was im klinischen Umfeld normalerweise nicht durchgeführt wird“, sagte er gegenüber Fox News Digital. „Herzinsuffizienz wird im Allgemeinen als eine unheilbare, chronische, fortschreitende Krankheit mit schlechten langfristigen Folgen angesehen.“
„Herzinsuffizienz wird im Allgemeinen als eine unheilbare, chronische, fortschreitende Krankheit mit schlechten langfristigen Folgen angesehen.“
„Studien wie diese könnten Ärzten dabei helfen, eine angemessenere Risikobewertung entsprechend der Ätiologie der Herzinsuffizienz vorzunehmen“, fügte von Schwarz hinzu.
Insbesondere die sehr hohe Sterblichkeitsrate bei durch Vorhofflimmern verursachter Herzinsuffizienz unterstreiche die Bedeutung einer aggressiven Behandlung dieser häufigen Herzrhythmusstörung, sagte er.
Forscher nutzten maschinelles Lernen – eine Art künstliche Intelligenz –, um fünf verschiedene Arten von Herzinsuffizienz zu identifizieren. (iStock)
Die Sterblichkeitsvorhersagen für die fünf Subtypen sind „bei weitem der interessanteste Teil dieser Daten“, so Dr. Matthew Goldstein, ein Arzt bei Kardiologische Berater von Philadelphiader auch die Studienergebnisse überprüfte.
„Dies kann uns helfen herauszufinden, wer dem Risiko eines plötzlichen Todes ausgesetzt ist und wer daher den Schutz mit einem Defibrillator benötigt und wer nicht“, fügte er hinzu.
KI ist vielversprechend, aber es bestehen weiterhin Einschränkungen
Während Goldstein anerkennt, dass KI im Allgemeinen immer häufiger vorkommt, glaubt er, dass ihre Anwendung in der Medizin „etwas weniger Erfolg“ gezeigt hat.
Er sagte gegenüber Fox News Digital: „Es ist jedoch gut darin, nach Mustern zu suchen, die zu kompliziert sind, als dass der menschliche Verstand sie erkennen könnte.“
Mit EZRA, einem Ganzkörper-MRT-Scanner, fängt die KI-Technologie Krebs auf, bevor Symptome auftreten
„Einige der häufigeren Einsatzmöglichkeiten sind die automatische Auswertung radiologischer Untersuchungen, um sicherzustellen, dass nichts übersehen wird, und die zunehmende Verwendung bei der EKG-Interpretation, um auf eine zugrunde liegende Pathologie hinzuweisen“, fügte er hinzu.
In Bezug auf den Einsatz von KI zur Klassifizierung von Herzinsuffizienz stellte Goldstein fest, dass es sich lediglich um eine retrospektive Studie handele und diese für zukünftige Fälle nachgewiesen werden müsse, um wirklich nützlich zu sein.
Vorausschauen
Die größte Einschränkung der neuen Studie bestand darin, dass die Forscher keinen Zugriff auf Bilddaten hatten, die am häufigsten zur Diagnose und Vorhersage des Risikos bei Herzinsuffizienz verwendet werden.
„Bildgebungsmarker allein sagen jedoch nicht die Sterblichkeit und andere Folgen voraus“, sagte Banerjee.
„Die Tatsache, dass wir routinemäßig gesammelte Daten ohne diese Bildgebungsdaten verwenden konnten, um Subtypen und Ergebnisse relativ gut vorherzusagen, legt nahe, dass die bildgebenden Biomarker allein möglicherweise nicht der beste Weg sind, Herzinsuffizienz im Bevölkerungsmaßstab zu charakterisieren und zu untersuchen.“
Auf der Grundlage dieser Ergebnisse sagte Professor Banerjee vom UCL, der nächste Schritt bestehe darin, festzustellen, ob diese Herzinsuffizienzklassifizierungen einen praktischen Unterschied für Patienten bewirken können. (iStock)
Der nächste Schritt, sagte Banerjee, bestehe darin, festzustellen, ob die Klassifizierung verschiedener Herzversagen einen praktischen Unterschied für Patienten machen kann – „ob sie die Risikovorhersagen und die Qualität der von Ärzten bereitgestellten Informationen verbessert und ob sie die Behandlung der Patienten verändert.“
KLICKEN SIE HIER, UM UNSEREN GESUNDHEITS-NEWSLETTER ZU ANMELDEN
Die Kosteneffizienz sei ein weiterer Gesichtspunkt, fügte er hinzu.
Das UCL-Forschungsteam verwendete zuvor ähnliche Methoden, um Subtypen bei chronischen Nierenerkrankungen zu identifizieren.
KLICKEN SIE HIER, UM DIE FOX NEWS-APP ZU ERHALTEN
Mit Blick auf die Zukunft geht Banerjee davon aus, dass maschinelles Lernen zur Analyse vieler Arten routinemäßig erfasster medizinischer Daten und zur Identifizierung von Subtypen verschiedener Krankheiten eingesetzt werden wird.