Herzinsuffizienz ist durch eine geschwächte oder beschädigte Herzmuskulatur gekennzeichnet und führt zu einer allmählichen Ansammlung von Flüssigkeit in den Lungen, Beinen, Füßen und anderen Körperteilen des Patienten. Die Erkrankung ist chronisch und unheilbar und führt häufig zu Herzrhythmusstörungen oder einem plötzlichen Herzstillstand. Viele Jahrhunderte lang waren Aderlass und Blutegel die Behandlungsmethode der Wahl, die bekanntermaßen von Friseuren in Europa praktiziert wurde, in einer Zeit, in der Ärzte selten Patienten operierten.
Im 21. Jahrhundert ist die Behandlung von Herzinsuffizienz deutlich weniger mittelalterlich geworden: Heutzutage unterziehen sich Patienten einer Kombination aus einer Umstellung ihres gesunden Lebensstils, der Verschreibung von Medikamenten und verwenden manchmal Herzschrittmacher. Dennoch bleibt Herzinsuffizienz eine der Hauptursachen für Morbidität und Mortalität und stellt eine erhebliche Belastung für die Gesundheitssysteme auf der ganzen Welt dar.
„Etwa die Hälfte der Menschen, bei denen eine Herzinsuffizienz diagnostiziert wurde, sterben innerhalb von fünf Jahren nach der Diagnose“, sagt Teya Bergamaschi, MIT-Doktorandin im Labor von Nina T. und Robert H. Rubin Professor Collin Stultz und Co-Erstautor einer neuen Arbeit, die ein Deep-Studying-Modell zur Vorhersage von Herzinsuffizienz vorstellt. „Zu verstehen, wie es einem Patienten nach einem Krankenhausaufenthalt ergehen wird, ist wirklich wichtig für die Zuteilung endlicher Ressourcen.“
Das Papier, veröffentlicht in Lancet eClinical Drugs von einem Forscherteam am MIT, Mass Normal Brigham und der Harvard Medical College, stellt Ergebnisse aus der Entwicklung und Erprobung von PULSE-HF vor, was frei für „Änderungen der linksventrikulären systolischen Funktion anhand von EKGs von Patienten mit Herzinsuffizienz vorhersagen“ steht. Das Projekt wurde im Stultz-Labor durchgeführt, das dem angegliedert ist MIT Abdul Latif Jameel Klinik für maschinelles Lernen im Gesundheitswesen. Das Deep-Studying-Modell wurde an drei verschiedenen Patientenkohorten aus dem Massachusetts Normal Hospital, dem Brigham and Girls’s Hospital und MIMIC-IV (einem öffentlich zugänglichen Datensatz) entwickelt und retrospektiv getestet. Es sagt präzise Veränderungen in der linksventrikulären Ejektionsfraktion (LVEF) voraus, additionally dem Prozentsatz des Blutes, das aus der linken Herzkammer gepumpt wird.
Ein gesundes menschliches Herz pumpt bei jedem Schlag etwa 50 bis 70 Prozent des Blutes aus der linken Herzkammer aus – alles andere gilt als Zeichen eines möglichen Issues. „Das Modell nimmt ein (Elektrokardiogramm) und gibt eine Vorhersage darüber aus, ob es innerhalb des nächsten Jahres eine Ejektionsfraktion geben wird, die unter 40 Prozent fällt oder nicht“, sagt Tiffany Yau, MIT-Doktorandin in Stultz‘ Labor, die auch Mit-Erstautorin des PULSE-HF-Artikels ist. „Das ist die schwerste Untergruppe der Herzinsuffizienz.“
Wenn PULSE-HF vorhersagt, dass sich die Ejektionsfraktion eines Patienten innerhalb eines Jahres voraussichtlich verschlechtern wird, kann der Arzt den Patienten für die Nachsorge priorisieren. Dadurch können Patienten mit geringerem Risiko die Anzahl ihrer Krankenhausbesuche und den Zeitaufwand für die Anbringung von 10 Elektroden an ihrem Körper für ein 12-Kanal-EKG reduzieren. Das Modell kann auch in klinischen Umgebungen mit geringen Ressourcen eingesetzt werden, beispielsweise in Arztpraxen in ländlichen Gebieten, in denen normalerweise kein Herzsonograph für die tägliche Durchführung von Ultraschalluntersuchungen beschäftigt ist.
„Der größte Unterschied zwischen (PULSE-HF) und anderen Herzinsuffizienz-EKG-Methoden besteht darin, dass es keine Erkennung, sondern eine Prognose durchführt“, sagt Yau. In dem Artikel wird darauf hingewiesen, dass es bisher keine anderen Methoden gibt, um den künftigen LVEF-Rückgang bei Patienten mit Herzinsuffizienz vorherzusagen.
Während des Check- und Validierungsprozesses verwendeten die Forscher eine Metrik namens „Fläche unter der Receiver Working Attribute Curve“ (AUROC), um die Leistung von PULSE-HF zu messen. AUROC wird typischerweise verwendet, um die Fähigkeit eines Modells zu messen, zwischen Klassen auf einer Skala von 0 bis 1 zu unterscheiden, wobei 0,5 zufällig und 1 perfekt ist. PULSE-HF erzielte in allen drei Patientenkohorten AUROCs im Bereich von 0,87 bis 0,91.
Bemerkenswert ist, dass die Forscher auch eine Model von PULSE-HF für Einzel-EKGs entwickelt haben, was bedeutet, dass nur eine Elektrode am Körper angebracht werden muss. Während 12-Kanal-EKGs allgemein als überlegen angesehen werden, da sie umfassender und genauer sind, struggle die Leistung der Einzelkanal-Model von PULSE-HF genauso stark wie die der 12-Kanal-Model.
Trotz der eleganten Einfachheit hinter der Idee von PULSE-HF täuscht sie, wie die meisten klinischen KI-Forschungen, über eine mühsame Umsetzung hinweg. „Es hat Jahre gedauert, dieses Projekt abzuschließen“, erinnert sich Bergamaschi. „Es hat viele Iterationen durchlaufen.“
Eine der größten Herausforderungen für das Group struggle das Sammeln, Verarbeiten und Bereinigen der EKG- und Echokardiogramm-Datensätze. Während das Modell darauf abzielt, die Ejektionsfraktion eines Patienten vorherzusagen, waren die Beschriftungen für die Trainingsdaten nicht immer ohne weiteres verfügbar. Ähnlich wie ein Schüler, der aus einem Lehrbuch mit einem Lösungsschlüssel lernt, ist die Beschriftung von entscheidender Bedeutung, um maschinellen Lernmodellen dabei zu helfen, Muster in Daten korrekt zu erkennen.
Sauberer, linearer Textual content in Kind von TXT-Dateien eignet sich normalerweise am besten für das Coaching von Modellen. Aber Echokardiogrammdateien liegen typischerweise in Kind von PDFs vor, und wenn PDFs in TXT-Dateien konvertiert werden, wird der Textual content (der durch Zeilenumbrüche und Formatierungen unterbrochen wird) für das Modell schwer lesbar. Auch die Unvorhersehbarkeit realer Szenarien, etwa ein unruhiger Affected person oder eine lose Spur, beeinträchtigte die Daten. „Es gibt viele Signalartefakte, die beseitigt werden müssen“, sagt Bergamaschi. „Es ist eine Artwork endloses Kaninchenloch.“
Während Bergamaschi und Yau anerkennen, dass kompliziertere Methoden dabei helfen könnten, die Daten nach besseren Signalen zu filtern, gibt es eine Grenze für den Nutzen dieser Ansätze. „An welchem Punkt hörst du auf?“ fragt Yau. „Man muss über den Anwendungsfall nachdenken – ist es am einfachsten, dieses Modell zu haben, das mit Daten funktioniert, die etwas chaotisch sind? Denn das wird es wahrscheinlich sein.“
Die Forscher gehen davon aus, dass der nächste Schritt für PULSE-HF darin bestehen wird, das Modell in einer prospektiven Studie an echten Patienten zu testen, deren zukünftige Ejektionsfraktion unbekannt ist.
Trotz der Herausforderungen, die es mit sich bringt, klinische KI-Instruments wie PULSE-HF über die Ziellinie zu bringen, einschließlich des möglichen Risikos einer Verlängerung der Doktorarbeit um ein weiteres Jahr, sind die Studenten der Meinung, dass sich die Jahre harter Arbeit gelohnt haben.
„Ich denke, die Dinge sind teilweise deshalb lohnend, weil sie herausfordernd sind“, sagt Bergamaschi. „Ein Freund sagte zu mir: ‚Wenn Sie glauben, dass Sie nach dem Abschluss Ihre Berufung finden werden, wenn Ihre Berufung wirklich eine Berufung ist, dann wird sie in dem einen weiteren Jahr, das Sie bis zum Abschluss benötigen, da sein.‘ … Die Artwork und Weise, wie wir als Forscher im (ML- und Gesundheits-)Bereich gemessen werden, unterscheidet sich von anderen Forschern im ML-Bereich. Jeder in dieser Gemeinschaft versteht die einzigartigen Herausforderungen, die hier bestehen.“
„Es gibt zu viel Leid auf der Welt“, sagt Yau, die zu Stultz‘ Labor kam, nachdem ihr bei einem Gesundheitsereignis die Bedeutung maschinellen Lernens im Gesundheitswesen klar geworden struggle. „Alles, was versucht, Leiden zu lindern, würde ich als wertvolle Nutzung meiner Zeit betrachten.“