Blog

Mar 14, 2023

KI identifiziert 5 Arten von Herzinsuffizienz, um Risikovorhersage und Behandlung zu ermöglichen

Herzinsuffizienz betrifft weltweit viele Millionen Menschen, kann jedoch durch mehrere Ursachen verursacht werden

Herzinsuffizienz betrifft weltweit viele Millionen Menschen, kann aber durch mehrere Faktoren verursacht werden, die unterschiedliche Behandlungen erfordern. Jetzt haben Forscher mehrere Modelle für maschinelles Lernen mithilfe eines großen, bevölkerungsbasierten Datensatzes trainiert, um fünf Subtypen von Herzinsuffizienz zu identifizieren, die möglicherweise bessere Informationen zur Behandlung, Patientenaufklärung und Vorhersage zukünftiger Risikofaktoren liefern.

„Herzinsuffizienz“ ist ein Überbegriff, der beschreibt, wenn das Herz nicht effektiv genug pumpt, um den Bedarf des Körpers an Blut und Sauerstoff zu decken. Es kann durch mehrere zugrunde liegende Faktoren verursacht werden, die die Behandlung der Erkrankung beeinflussen. Zu den Risikofaktoren für Herzinsuffizienz zählen koronare Herzkrankheit und Herzinfarkt, Diabetes, Bluthochdruck, Übergewicht und Fettleibigkeit sowie Erkrankungen der Herzklappen.

Traditionell werden die verschiedenen Arten von Herzinsuffizienz nach der linksventrikulären Ejektionsfraktion (LVEF) einer Person klassifiziert, der Blutmenge, die die linke Herzkammer bei jeder Kontraktion ausstößt. Eine schwedische Studie zum maschinellen Lernen aus dem Jahr 2018 ergab jedoch, dass LVEF keine Überlebensraten bei Herzinsuffizienz vorhersagte.

Jetzt haben Forscher des University College London vier Modelle des maschinellen Lernens verwendet, um einen Rahmen zur Bestimmung von Herzinsuffizienz-Subtypen zu entwickeln, der möglicherweise bessere Informationen zur Behandlung liefert und zukünftige Risiken bestimmt.

Die Forscher untersuchten anonymisierte elektronische Patientenakten von mehr als 300.000 britischen Patienten, bei denen über einen Zeitraum von 20 Jahren eine Herzinsuffizienz diagnostiziert wurde. Die Daten stammen aus zwei großen Datensätzen zur Grundversorgung, die repräsentativ für die britische Bevölkerung sind.

„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 Amitava Banerjee, der Hauptautor der Studie. „Derzeit lässt sich der Krankheitsverlauf für den einzelnen Patienten nur schwer vorhersagen. Bei manchen Menschen bleibt die Krankheit über viele Jahre stabil, bei anderen geht es schnell schlechter.“

Um Verzerrungen zu vermeiden, die durch die Verwendung eines maschinellen Lernmodells entstehen könnten, verwendeten die Forscher vier Modelle, um Fälle von Herzinsuffizienz in Gruppen einzuteilen. Nach dem Training anhand von Datensegmenten unterschieden die Modelle fünf Subtypen auf der Grundlage von 87 von 635 möglichen Faktoren, darunter Alter, Symptome, das Vorliegen anderer Erkrankungen, Medikamente, die der Patient einnahm, Gesundheitsparameter wie Blutdruck und Testergebnisse wie z als Nierenfunktion. Die Subtypen wurden mithilfe eines separaten Datensatzes validiert.

Die fünf Subtypen wurden nach spezifischen Merkmalen gruppiert. „Früh einsetzend“ umfasste junge Menschen mit einer geringen Rate an Risikofaktoren. „Late onset“ waren ältere Frauen, Frauen, denen nur wenige Medikamente verschrieben wurden und die an Herz-Kreislauf-Erkrankungen litten. „Vorhofflimmern bedingt“ umfasste Menschen mit Vorhofflimmern – einer Erkrankung, bei der das Herz unregelmäßig schlägt – oder einer Erkrankung der Herzklappen. Der Subtyp „Stoffwechsel“ umfasste übergewichtige Menschen mit einer mittleren Rate an Risikofaktoren, aber einer geringen Rate an Herz-Kreislauf-Erkrankungen. Und „kardiometabolisch“ umfasste übergewichtige Menschen, die eine große Anzahl verschriebener Medikamente einnahmen und eine hohe Rate an Risikofaktoren und Herz-Kreislauf-Erkrankungen aufwiesen.

Die Forscher fanden heraus, dass das Risiko, im Jahr nach der Diagnose zu sterben, zwischen den Subtypen unterschiedlich war. Nach einem Jahr waren die Gesamtmortalitätsrisiken für diejenigen in der Untergruppe im Zusammenhang mit Vorhofflimmern am höchsten (61 %), gefolgt von spät einsetzendem (46 %), kardiometabolischem (37 %), früh einsetzendem (20 %) und metabolischem ( 11 %).

Die Forscher sagen, dass die Ergebnisse der Studie genutzt werden können, um die Behandlung von Herzinsuffizienz zu verbessern.

„Bessere Unterscheidungen zwischen Arten von Herzinsuffizienz können auch zu gezielteren Behandlungen führen und uns helfen, anders über mögliche Therapien nachzudenken“, sagte Banerjee.

Basierend auf ihrem maschinellen Lernansatz entwickelten die Forscher eine App, mit der Ärzte feststellen können, in welchen Subtyp ein Mensch fällt. Es kann als Leitfaden für die Patientenaufklärung und zur Verbesserung der Vorhersage künftiger Risiken verwendet werden.

„Der nächste Schritt besteht darin, herauszufinden, ob diese Art der Klassifizierung von Herzinsuffizienz für Patienten einen praktischen Unterschied machen kann – ob sie die Risikovorhersagen und die Qualität der von Ärzten bereitgestellten Informationen verbessert und ob sie die Behandlung der Patienten verändert“, sagte Banerjee. „Wir müssen auch wissen, ob es kosteneffektiv wäre. Die von uns entwickelte App muss in einer klinischen Studie oder weiteren Forschungen evaluiert werden, könnte aber bei der Routineversorgung hilfreich sein.“

Die Studie wurde in der Fachzeitschrift The Lancet Digital Health veröffentlicht.

Quelle: University College London