Stethoskop ade? Neu entwickeltes Pflaster erkennt Asthma und COPD mithilfe von Deep Learning

Digitale Stethoskope stellen zwar eine Verbesserung gegenüber herkömmlichen dar, dennoch bleiben Geräuschinterferenzen ein Problem. Ein mit Sensoren ausgestattetes Pflaster könnte beim Erkennen beispielsweise von Wheezing helfen.

Ein solches von Patienten zu tragendes Pflaster haben Forschende am Georgia Institute of Technology (USA) nun mitsamt einem Deep-Learning-Modell entwickelt. Mit beidem in Kombination sollen sich automatisch Atemgeräusche wie Wheezing erkennen lassen. Das Deep-Learning-Modell besitze das Potenzial, Atemwegserkrankungen zu klassifizieren, was ihre Diagnose und Behandlung beschleunigen könnte, heißt es in einer Mitteilung des US-amerikanischen National Institute of Biomedical Imaging and Bioengineering anlässlich der in der Zeitschrift „BioSensors“ vorgestellten Ergebnisse einer Pilotstudie.

Das innovative tragbare Device verfügt über einen Mikrochip-Sensor, der im Gegensatz zu herkömmlichen Mikrofonen in digitalen Stethoskopen winzige Vibrationen mit hoher Empfindlichkeit und minimaler Verzerrung erkennen kann. „Unser empfindliches Pflaster hat viele Vorteile gegenüber der herkömmlichen Erkennung von Wheezing“, sagt Prof. Farrokh Ayazi, Leiter der Studie und Professor für Elektro- und Computertechnik am Georgia Institute of Technology. Beim herkömmlichen Verfahren gebe es Probleme damit, alle Variationen von Wheezing und Knistern zu erkennen, was zu Fehldiagnosen führen könne. „Indem wir Daten aus diesen Wheezing-Variationen in ein Deep-Learning-Modell integrierten und die Fähigkeit des Sensors nutzten, Umgebungsgeräusche zu eliminieren, führte unsere Erkennungsmethode zu einer höheren Genauigkeit, Sensitivität und Spezifität im Vergleich zum Standard-Zeit-Frequenz-Ansatz“, erläutert Ayazi.

Entwicklung eines Deep-Learning-Modells

Die Forschenden nahmen Lungengeräusche von 52 Patienten aus einer Asthma-Ambulanz oder einem Krankenhaus auf. Von diesen Probanden waren 25 adipös, was die Qualität herkömmlicher Aufzeichnungen von Lungengeräuschen beeinträchtigen kann.

Für die Aufnahmen trugen die Patienten das Mini-Pflaster an bis zu neun verschiedenen Stellen auf der Brust. Von jeder Stelle wurden Daten aufgezeichnet, während der Patient jeweils 30 Sekunden lang tief einatmete. Zum Vergleich machten die Ärzte auch Lungenaufzeichnungen mit digitalen Stethoskopen an denselben Körperstellen.

Anschließend hörten sich die Mediziner die Tonaufnahmen aus beiden Quellen an, kennzeichneten in einem Blindversuch, ob sie ein Wheezing wahrnahmen oder nicht, und stellten nach der klinischen Bewertung eine Diagnose. Die gekennzeichneten Wheezing-Geräusche unterschieden sich zwischen dem digitalen Stethoskop und dem tragbaren Pflaster kaum, sogar bei den adipösen Patienten. Die durch einen Arzt gekennzeichneten Daten wurden in das Deep-Learning-Modell integriert, damit es Wheezing-Geräusche von normalen Atemgeräuschen unterscheiden konnte.

Vergleich des Deep-Learning-Modells mit Standardmethoden

Die Forscher verglichen das Deep-Learning-Modell mit der Standard-Zeit-Frequenz-Methode zur Identifizierung von Wheezing in Verbindung mit dem Pflaster oder dem digitalen Stethoskop.

Das Deep-Learning-Modell in Kombination mit dem Pflaster wies durchweg die höchste durchschnittliche Genauigkeit (95%), Sensitivität (96%) und Spezifität (93%) bei der Feststellung von Wheezing auf. Diese Kombination übertraf die Zeit-Frequenz-Methode in Verbindung mit dem Pflaster oder dem digitalen Stethoskop und die Deep-Learning-Methode in Verbindung mit dem digitalen Stethoskop.

Die Autoren weisen jedoch auf einige Einschränkungen der Studie hin: Die einzige automatisierte Komponente ist das Deep-Learning-Modell, was seine Anwendung auf klinische Umgebungen beschränkte. Zudem müssen die Ergebnisse der Studie in einer größeren und diverseren Patientenstichprobe weiter validiert werden.

Die Forscher sehen zwei mögliche Einsatzmöglichkeiten für das tragbare Pflaster. Eine davon ist ein kurzfristiges Screening in einer Klinik, die andere eine langfristige Überwachung zu Hause. Derzeit entwickelt die Arbeitsgruppe eine drahtlose Version des Pflasters für die Tele-Überwachung: So können Daten an den behandelnden Arzt eines Patienten übermittelt werden, um die Behandlung zu erleichtern.

„Diese nichtinvasive und schnelle Analyse des Atem- und Lungenzustands eines Patienten könnte die Früherkennung von Atemwegserkrankungen verbessern, insbesondere bei Patienten mit Adipositas, die ein höheres Risiko für Asthma und Chronisch-obstruktive Lungenerkrankung haben“, fasst Dr. Tiffani Lash aus der Abteilung für Gesundheitsinformatiktechnologien (Informatik) des National Institute of Biomedical Imaging and Bioengineering zusammen. „Technologielösungen wie diese besitzen das Potenzial, die Gesundheitsergebnisse zu verbessern und die Belastung von Menschen mit diesen chronischen Krankheiten zu verringern.“