COPD-Früherkennung: KI-gestützte EKG-Analyse könnte vielversprechenden Ansatz darstellen

Eine Chronisch-obstruktive Lungenerkrankung (COPD) bereits in einem sehr frühen Stadium zu erkennen, stellt eine Herausforderung dar: Die Symptome sind unspezifisch und Diagnoseverfahren ressourcenintensiv. Neue Wege wollen nun Forschende aus den USA gehen.

Wissenschaftler und Mediziner vom Mount Sinai Hospital und der Mount Sinai School of Medicine in New York nutzten ein Convolutional Neural Network(CNN)-Modell zur Analyse von Elektrokardiogrammen (EKGs) zur Früherkennung von COPD. Primärer Endpunkt war die Genauigkeit der klinischen COPD-Diagnose, ermittelt anhand der ICD-Codes. Die Auswertung erfolgte mittels der Fläche unter der Kurve (AUC), die durch Tests mit EKGs von Patienten aus fünf Krankenhäusern des Mount Sinai Health Systems gewonnen wurde. Diese Patienten repräsentierten eine demografisch diverse Population in New York City.

Die Daten aus den Jahren 2006 bis 2023 analysierten die Studienautoren im GE-MUSE-System. Dieses System exportiert Elektrokardiogramme als einzelne XML-Dateien mit den Rohdaten. Die Forschenden nutzten außerdem EKGs von Patienten aus einem anderen Krankenhaus sowie EKGs von COPD-Patienten aus der UK BioBank. Auf diese Weise erweiterten sie einerseits die Kohorte und validierten andererseits ihre Analyse.

Auffällige Veränderungen in P-Wellen beobachtet

In die Analyse flossen mehr als 208.000 EKGs von über 18.000 COPD-Patienten ein. Diese matchte man hinsichtlich Alter, Geschlecht und ethnischer Zugehörigkeit mit mehr als 49.000 Kontrollpersonen. Das Modell ergab in verschiedenen Populationen eine robuste Leistung mit einer AUC von 0,80 (0,80–0,80) in internen Tests. In externen Validierungstests erreichte es eine AUC von 0,82 (0,81–0,82). Die AUC in der britischen Kohorte beziffern die Autoren mit 0,75 (0,71–0,78).

In nachfolgenden Analysen verknüpften sie die auf EKG-Daten basierenden Modellvorhersagen mit Spirometriedaten. Unter allen Kurvenabschnitten der EKGs fielen Veränderungen der P-Wellen auf. P-Wellen sind Ausdruck der Depolarisation der Vorhöfe des Herzens. Bei COPD-Patienten können spezifische Veränderungen in diesem EKG-Abschnitt auftreten.

Möglichkeit für exaktere Diagnosen und dadurch bessere Outcomes

Die Arbeitsgruppe vom Mount Sinai Hospital halten diese sich auf Künstliche Intelligenz (KI) stützende EKG-Analyse für einen vielversprechenden Ansatz zur Früherkennung von COPD. Er könne möglicherweise eine früher einsetzende und effektivere Behandlung der Erkrankung ermöglichen. Im klinischen Alltag sei so deutlich bessere COPD-Screenings und genauere Diagnosen möglich. Dies wiederum führe zu besseren Behandlungsergebnisse bei einzelnen Patienten und zu einer Verringerung der globalen Krankheitslast.

„Unsere Studie zeigt erstmals, dass Deep-Learning-Modelle, angewendet auf Standard-10-Sekunden-12-Kanal-EKGs, eine COPD in großen, realen Patientenkohorten präzise erkennen können“, fasst Dr. Monica Kraft vom Mount Sinai Hospital zusammen. „Mithilfe eines CNN zeigen wir, dass EKGs – ein kostengünstiges und weit verbreitetes Instrument – ​​COPD-bedingte physiologische Veränderungen erfassen können – auch solche, die einer formalen klinischen Diagnose vorausgehen.“ Die Fachärztin für Pneumologie, Intensiv- und Schlafmedizin ergänzt: „Im Gegensatz zu früheren explorativen Arbeiten beinhaltet unsere Analyse eine externe Validierung an verschiedenen Kohorten über unterschiedliche Zeitpunkte und Orte hinweg. Sie umfasst auch eine Analyse in den Subgruppen mit unregelmäßigem Herzschlag und Tabak-Exposition.“

Neue Wege für eine frühe Intervention

Ihr Kollege Dr. Girish Nadkarni fügt hinzu: „Indem wir zeigen, dass KI die diagnostische Aussagekraft von EKGs bei COPD verbessern kann, eröffnen wir neue Wege für eine frühere Intervention und Behandlung dieser Erkrankung. Dadurch können wir potenziell den Schweregrad ihrer Progression und die damit verbundenen Kosten reduzieren. Der Einsatz solcher KI-gestützter Diagnoseinstrumente lässt sich auf abgelegene oder unterversorgte Gebiete ausweiten, in denen der Zugang zu spezialisierten Diagnoseeinrichtungen möglicherweise eingeschränkt ist.“

Nadkarni leitet das Windreich Department of Artificial Intelligence and Human Health sowie das Hasso Plattner Institute of Digital Health im Mount Sinai Health System. Er sieht in der aktuellen Studie „den Grundstein für zukünftige Forschung zur Integration von KI-Technologien in andere routinemäßige Diagnoseverfahren.“ Dies könnte seiner Meinung nach die diagnostische Genauigkeit und Schnelligkeit bei einer Reihe chronischer Erkrankungen verbessern und letztendlich Prävention und Frühintervention optimieren.