Herzkrankheiten bei Frauen: Neue Modelle maschinellen Lernens könnten gegen Unterdiagnose helfen

Forscher aus den USA und den Niederlanden haben anhand eines großen Datensatzes genauere Modelle für kardiovaskuläre Risiken erstellt als den Framingham-Risiko-Score. Sie quantifizierten auch die Unterdiagnose von Frauen im Vergleich zu Männern.

„Frauen werden beim atrioventrikulären Block (AV-Block) ersten Grades, einer Störung des Herzschlags, und bei der dilatativen Kardiomyopathie, einer Herzmuskelerkrankung, doppelt bzw. 1,4 Mal häufiger unterdiagnostiziert als Männer“, berichtet Skyler St. Pierre, Forscher am Living Matter Lab der Stanford University, USA, und Mitautor der Studie.

Um genauere Vorhersagen für beide Geschlechter zu erhalten, nutzten die Wissenschaftler vier zusätzliche Messverfahren, die im Framingham-Risiko-Score nicht berücksichtigt werden: kardiale Magnetresonanztomographie, Pulswellenanalyse, EKG und Karotis-Ultraschall. Sie nutzten die Daten von mehr als 20.000 Personen aus der UK Biobank (biomedizinische Datenbank im Vereinigten Königreich, die Informationen von etwa einer halben Million britischer Personen im Alter von 40 Jahren und älter enthält, die sich diesen Tests unterzogen hatten).

Daten von mehr als 20.000 Personen aus der UK Biobank

„Während herkömmliche klinische Modelle einfach zu verwenden sind, können wir jetzt mit Hilfe des maschinellen Lernens Tausende anderer möglicher Faktoren durchkämmen, um neue, aussagekräftige Merkmale zu finden, die die Früherkennung von Krankheiten erheblich verbessern könnten“, erklärt Pierre. Mithilfe des maschinellen Lernens stellten die Forscher fest, dass von den getesteten Messgrößen das EKG die Erkennung von Herz-Kreislauf-Erkrankungen sowohl bei Männern als auch bei Frauen am besten verbessert. Dies bedeute jedoch nicht, dass die traditionellen Risikofaktoren keine wichtigen Instrumente zur Risikobewertung sind, so die Forscher. „Wir schlagen vor, dass Kliniker zunächst ein einfaches Screening mit traditionellen Risikofaktoren durchführen und dann in einem zweiten Schritt ein Screening mit EKGs für Patienten mit höherem Risiko vornehmen“, betonen sie.

Die vorliegende Studie sei ein erster Schritt, um die Risikofaktoren für Herzkrankheiten zu überdenken und die Nutzung neuer Technologien ist ein vielversprechender Weg zur Verbesserung der Risikovorhersage. Die Ergebnisse der Forschung wurden in der Fachzeitschrift „Frontiers in Physiology“ veröffentlicht.

Einschränkungen der Studie

Eine Einschränkung der Studie ist die Tatsache, dass in der UK Biobank das Geschlecht als binäre Variable behandelt wird. Das Geschlecht ist jedoch von Natur aus komplex und hängt mit Hormonen, Chromosomen und körperlichen Merkmalen zusammen, die alle irgendwo auf einem Spektrum zwischen „typisch“ männlich und „typisch“ weiblich liegen können.

Darüber hinaus handelte es sich bei der Studienpopulation um Menschen mittleren Alters und ältere Menschen mit Wohnsitz im Vereinigten Königreich, so dass die Ergebnisse möglicherweise nicht auf Menschen anderer Herkunft und anderen Alters übertragbar sind. „Eine geschlechtsspezifische Medizin ist zwar ein Schritt in die richtige Richtung, aber eine patientenspezifische Medizin würde die besten Ergebnisse für alle erzielen“, so Pierre abschließend.