Jedes Jahr werden weltweit viele Millionen Elektrokardiogramme (EKGs) durchgeführt, um die Gesundheit des Herzens zu überwachen oder zu überprüfen. Bisher kamen in den meisten EKG-Systemen regelbasierte Algorithmen zum Einsatz. Diese arbeiten nach festen Regeln, die über Jahre entwickelt und in medizinischen Richtlinien festgelegt wurden. Seit mehreren Jahren hat zusätzlich das Maschinelle Lernen in der Medizin Einzug gehalten. Mithilfe sogenannter neuronaler Netzwerke, die große Datenmengen analysieren können, erhoffen sich Forscher präzisere Diagnosen.
Das Schöne an maschinellen Lernverfahren ist, dass sie sich nicht auf Regeln beziehen müssen. Stattdessen lernen die Computer aus echten EKG-Daten und den Diagnosen von Ärzten, um ihre Vorhersagen immer weiter zu verbessern. Die KI kann mit mathematischen Verfahren Muster in den Daten erkennen. Allerdings ist das „Innere“ neuronaler Netze oft ein Rätsel. Es ist nicht oder sehr schwer nachzuvollziehen, warum eine KI eine bestimmte Entscheidung getroffen hat.
Ein KI-Modell für EKG-Daten
Um die Leistungsfähigkeit solcher neuronalen Netze zu prüfen, haben Forscher aus Kalifornien (USA) ein Convolutional Neural Network (CNN) entwickelt, das sie mit EKG-Daten trainierten. An der University of California (UCSF) wurden in einer breit angelegten Studie tausende EKG-Daten aus den Jahren 2003 und 2017 analysiert. Die EKGs der Patienten wurden in drei Teile unterteilt: einen Trainingssatz, mit dem das Modell lernen konnte, einen Entwicklungssatz, um das Modell weiter zu verbessern, und einen Testsatz, um es auf seine Genauigkeit zu prüfen.
Das Lernmodell wurde mit 38 häufig auftretende Herzproblemen trainiert. Dazu gehörten verschiedene Arten von Herzrhythmusstörungen sowie Strukturveränderungen und Leitungsstörungen im Herzen. Da einige Herzprobleme viel häufiger auftreten als andere, musste das Forschungsteam sicherstellen, dass alle Diagnosen im Trainingssatz angemessen vertreten waren. Deshalb wurden besonders häufige Diagnosen absichtlich seltener gemacht, um das Ungleichgewicht zwischen den 38 untersuchten Krankheitsbildern auszugleichen.
Zusätzlich wurden auch noch zufällig ausgewählte EKGs aus dem Jahr 2018 verwendet, bis dieses Datenset für alle 38 Diagnosekategorien mindestens elf Fälle enthielt. Alle verwendeten Datensätze beinhalteten unterschiedliche Patientengruppen, sodass es keine Überschneidungen zwischen den Sets gab. Das sorgte dafür, dass die Testergebnisse besonders aussagekräftig waren. Letztlich bestanden die Trainingsdaten aus über einer Million EKGs.
Das System wurde anschließend in zwei Tests mit klinischen Standards verglichen. Zum einen musste es gegen menschliche Kardiologen und zum anderen gegen das kommerzielle EKG-Analyseprogramm MUSE von GE Healthcare bestehen.
Maschinelles Lernen im Vergleich zu Ärzten und Software
In einer ersten Auswertung wurde das Modell an fast 100.000 EKGs geprüft und zeigte für 32 der 38 untersuchten Herzprobleme eine hohe Genauigkeit. In einem zweiten Test wurden 328 EKGs von einem Expertengremium aus Kardiologen begutachtet, um die Diagnosen als Maßstab zu verwenden. Hier zeigte das maschinelle Lernmodell bessere Ergebnisse als die Kardiologen und die MUSE-Software in den meisten Kategorien.
Das Modell war besonders gut bei der Erkennung von Rhythmusstörungen und Problemen in der elektrischen Leitung des Herzens. Lediglich bei der Diagnose von Vorhofflimmern und einigen anderen seltenen Herzrhythmusstörungen schnitten die Kardiologen besser ab.
Einschränkungen der Studie
Das Medizinerteam wies darauf hin, dass das Ärzteteam zur Begutachtung (Vergleichsteam) in dieser Studie relativ klein war. Auch wurde das KI-System nicht an Daten aus anderen Krankenhäusern getestet. Wenn in anderen Häusern die EKG-Daten leicht unterschiedlich erhoben würden, etwa bei der Platzierung der Elektroden, könnte das neuronale Netzwerk vielleicht Schwierigkeiten haben.
Schlussfolgerungen für die Zukunft
Die Ergebnisse waren insgesamt beeindruckend. Das CNN übertraf eine weit verbreitete kommerzielle EKG-Analyse-Software bei nahezu allen untersuchten Diagnosen und lieferte vergleichbare Ergebnisse wie erfahrene Kardiologen.
Und das ist nicht das Ende der Fahnenstange, denn das neuronale Netzwerk kann mit neuen EKGs weiterhin lernen und noch besser werden. Zudem kann es Diagnosen stellen, die mit herkömmlichen Methoden kaum möglich sind, wie etwa bei Herzproblemen wie der verringerten Ejektionsfraktion oder der pulmonalen Hypertonie.
Eine verringerte Ejektionsfraktion des Herzens bedeutet, dass das Herz weniger effizient Blut in den Körper pumpt. Pulmonale Hypertonie ist eine Erkrankung, bei der der Blutdruck in den Blutgefäßen, die das Blut vom Herz zu den Lungen transportieren (die sogenannten Lungenarterien), zu hoch ist.
Die Forscher erkannten weiterhin, dass regelbasierte Systeme bei der Messung von Intervallen oder der Auswertung bestimmter Herzachsen zuverlässiger arbeiten. Eine Kombination aus maschinellem Lernen und Regeln könnte daher ein guter Ansatz für zukünftige Analysesysteme sein.
Weiter lesen:
- Hughes JW, Olgin JE, Avram R, et al. Performance of a Convolutional Neural Network and Explainability Technique for 12-Lead Electrocardiogram Interpretation. JAMA Cardiol. 2021;6(11):1285–1295. doi:10.1001/jamacardio.2021.2746
👉 Auf Mastodon kommentieren
