EKG-Biomarker

-

KI-Modell erkennt Risiko für plötzlichen Herztod

Da Todesbescheinigungen die eigentliche Arrhythmieursache nicht immer zuverlässig widerspiegeln, überprüften die Forschenden zusätzlich, ob das Modell ventrikuläre Tachykardien und Kammerflimmern, die unmittelbaren Ursachen des plötzlichen Herztodes, vorhersagen kann. Tatsächlich stieg auch das Risiko dokumentierter ventrikulärer Arrhythmien mit zunehmendem KI-Risikoscore kontinuierlich an. Damit spricht vieles dafür, dass das Modell tatsächlich arrhythmogene Ereignisse und nicht lediglich eine erhöhte Gesamtmortalität erkennt.

Die Generalisierbarkeit wurde anschließend in zwei unabhängigen externen Kohorten untersucht. In einem US-amerikanischen Gesundheitsregister mit mehr als 250.000 EKG-Aufzeichnungen sagte das Modell ventrikuläre Arrhythmien ohne zusätzliche Anpassung mit einer AUC von 0,822 voraus. In einem taiwanischen Register konnte es arrhythmiebedingte Herzstillstände mit einer AUC von 0,767 von Kontrollpatienten unterscheiden.

Auffällig war zudem die hohe Spezifität: Nicht-arrhythmische Herzstillstände wurden vom Modell nahezu zufällig klassifiziert, was die Vermutung stützt, dass tatsächlich elektrophysiologische Mechanismen des plötzlichen Herztodes erfasst werden. 

Ein weiterer wichtiger Aspekt der Studie betrifft die potenzielle klinische Konsequenz der Risikostratifizierung. In einer Analyse verglichen die Forschenden Hochrisikopatienten mit und ohne einem implantierten Defibrillator. Patienten mit einem durch das KI-Modell identifizierten Hochrisiko, die einen ICD trugen, wiesen eine um 54 Prozent geringere plötzliche Herztodrate auf als dies aufgrund ihres Risikoprofils zu erwarten gewesen wäre.

Auch die Gesamtmortalität war in dieser Gruppe reduziert. Zwar erlaubt das nicht-randomisierte Studiendesign keine kausalen Schlussfolgerungen. Die Ergebnisse liefern jedoch Hinweise darauf, dass die identifizierte Hochrisikogruppe tatsächlich von einer ICD-Therapie profitiert.

Die Forschenden wollten aber nicht nur wissen, ob die KI den plötzlichen Herztod vorhersagen kann, sondern auch worauf sie dabei achtet. Hierzu kombinierten die Forschenden das Vorhersagemodell mit einem generativen KI-Modell, das EKG-Morphologien schrittweise in Richtung eines höheren Risikoprofils verändert. Dabei bestätigte as Team bekannte Veränderungen und fand zusätzlich eine bislang nicht beschriebene Veränderung im terminalen Anteil des QRS-Komplexes. Die charakteristische Abflachung beziehungsweise Verlangsamung der terminalen R-Zacke erwies sich in mehreren Datensätzen als robuster unabhängiger Prädiktor für den plötzlichen Herztod und könnte einen neuen elektrophysiologischen Biomarker darstellen.

Aus den beobachteten Veränderungen leiten die Forschenden auch eine neue Hypothese zur Pathophysiologie ab. Die Auffälligkeit könnte auf eine zunehmend gestörte elektrische Erregungsausbreitung im Herzgewebe zurückgehen, die möglicherweise durch eine feine Vernarbung (diffuse interstitielle Fibrose) verursacht wird. Diese ist mit gewöhnlicher Bildgebung schlecht zu erfassen. Hinweise aus verfügbaren kardialen MRT-Untersuchungen stützen diese Annahme, doch der Zusammenhang bleibt bislang spekulativ und muss noch bestätigt werden.

Die Studie eröffnet damit sowohl klinisch als auch wissenschaftlich neue Perspektiven. Sollte sich die Vorhersagekraft in prospektiven randomisierten Studien bestätigen, könnte ein routinemäßiges Zwölf-Kanal-EKG künftig zur Identifikation einer bislang übersehenen Hochrisikogruppe beitragen und die Indikationsstellung für ICD wesentlich erweitern.

Gleichzeitig zeigt die Arbeit exemplarisch, dass moderne KI-Verfahren nicht nur Prognosemodelle entwickeln, sondern auch bislang unbekannte Biomarker und potenzielle Krankheitsmechanismen sichtbar machen können. Dennoch betonen die Forschenden, dass die klinische Implementierung erst nach prospektiver Validierung erfolgen sollte und insbesondere randomisierte Studien erforderlich sind, um den tatsächlichen Nutzen einer KI-basierten ICD-Selektion zu belegen. 

Obermeyer sieht Potenzial in dem neuen KI-Tool. »Wir können nicht nur bessere Entscheidungen treffen, sondern auch zu verstehen beginnen, was bei diesen Patienten tatsächlich vor sich geht, bevor ihr Herz stehen bleibt«, sagt er in einer Mitteilung der Universität. Denn das ist die nächste Phase des Projekts, die bereits begonnen hat. Obermeyer arbeitet mit Gesundheitssystemen in Schweden, Taiwan und den USA zusammen, um den Algorithmus auf EKG-Datenbanken von Krankenhäusern anzuwenden. Bei EKG-Aufzeichnungen, die der Algorithmus als risikoreich einstuft, würden Ärzte die Patienten benachrichtigen und ihnen die Möglichkeit bieten, ein Pflaster zu tragen, das ihr Herz kontinuierlich überwacht. Die so gewonnenen Daten könnten Forschern helfen, den physiologischen Mechanismus im Herzen besser zu verstehen, der hinter der Risioerhöhung steckt. Dies könnte auchzur Implantation eines potenziell lebensrettenden internen Defibrillators bei den Risikopatienten führen.