Künstliche Intelligenz entdeckt Herzrisiko in CT-Bildern

Ihr CT-Scan könnte ein verborgenes Herzrisiko aufdecken – und KI hat gelernt, es zu finden Wissenschaftler des Mass General Brigham haben in Zusammenarbeit mit dem United States Department of Veterans Affairs (VA) ein neues KI-Tool entwickelt, das durch bereits gesammelte CT-Scans hindurchsucht und Personen mit hohen Coronararterien-Kalkanlagenscores (CAC) identifiziert, die ein erhöhtes Risiko für kardiovaskuläre Ereignisse haben. Ihre Studie, veröffentlicht im NEJM AI, zeigte, dass das Tool namens AI-CAC eine hohe Genauigkeit und prognostische Wertigkeit für zukünftige Herzinfarkte und die 10-Jahres-Mortalität aufweist. Die Erkenntnisse deuten darauf hin, dass die breite Einführung eines solchen Tools den Klinikern helfen könnte, das kardiovaskuläre Risiko ihrer Patienten besser einzuschätzen. "Jedes Jahr werden Millionen von Thorax-CT-Scans erstellt, oft bei gesunden Menschen, zum Beispiel zur Früherkennung von Lungenkrebs. Unsere Studie zeigt, dass wichtige Informationen über das kardiovaskuläre Risiko in diesen Scans unbemerkt bleiben," sagte der leitende Autor Hugo Aerts, PhD, Leiter des Artificial Intelligence in Medicine (AIM) Programms am Mass General Brigham. "Unsere Ergebnisse weisen darauf hin, dass KI das Potenzial hat, die medizinische Praxis zu verändern und Ärzten die Möglichkeit gibt, sich schon früher mit ihren Patienten auseinanderzusetzen, bevor ihre Herzerkrankung zu einem kardiovaskulären Ereignis fortschreitet." Thorax-CT-Scans können Kalkablagerungen im Herzen und in den Arterien feststellen, die das Risiko eines Herzinfarkts erhöhen. Das Standardverfahren zur Quantifizierung von CAC verwendet "gekoppelte" CT-Scans, die auf den Herzschlag abgestimmt sind, um Bewegungen während des Scans zu reduzieren. Die meisten Thorax-CT-Scans, die im Routinenutzungsbereich erstellt werden, sind jedoch "ungekoppelte" Scans. Die Forscher erkannten, dass CAC auch auf diesen ungekoppelten Scans festgestellt werden kann, was sie dazu bewog, AI-CAC zu entwickeln. Es handelt sich dabei um einen tiefen Lernalgorithmus, der durch die ungekoppelten Scans hindurchsucht und CAC quantifiziert, um das Risiko für kardiovaskuläre Ereignisse vorherzusagen. Das Modell wurde anhand von Thorax-CT-Scans trainiert, die im Rahmen der üblichen Versorgung von Veteranen in 98 VA-Krankenhäusern erhoben wurden. Anschließend testeten die Forscher die Leistungsfähigkeit von AI-CAC an 8.052 CT-Scans, um die CAC-Screening-Fähigkeiten bei routinemäßigen Bildgebungstests zu simulieren. Das Team fand heraus, dass das AI-CAC-Modell 89,4 % Genauigkeit bei der Bestimmung davon aufwies, ob ein Scan CAC enthielt oder nicht. Für diejenigen mit vorhandenen CAC-Ablagerungen war das Modell 87,3 % genau darin, zu bestimmen, ob der Score höher oder niedriger als 100 war, was ein moderates kardiovaskuläres Risiko anzeigt. AI-CAC war auch prädiktiv für die 10-Jahres-Mortalität – Patienten mit einem CAC-Score von über 400 hatten ein 3,49-fach höheres Todesrisiko innerhalb von 10 Jahren als Patienten mit einem Score von null. Von den Patienten, die das Modell als sehr hochriskant (Score > 400) eingestuft hat, verifizierten vier Kardiologen, dass fast alle (99,2 %) von ihnen von einer Lipidsenkungstherapie profitieren würden. "Derzeit enthalten die VA-Bildgebungssysteme Millionen von ungekoppelten Thorax-CT-Scans, die möglicherweise aus anderen Gründen erstellt wurden, und nur etwa 50.000 gekoppelte Studien. Dies bietet eine Möglichkeit, das AI-CAC-Tool bei routinemäßigen CT-Scans zu nutzen, um das kardiovaskuläre Risiko zu evaluieren und die Versorgung zu verbessern," sagte der erste Autor Raffi Hagopian, MD, Kardiologe und Forscher in der Abteilung für Angewandte Innovationen und Medizinische Informatik am VA Long Beach Healthcare System. "Die Verwendung von KI für Aufgaben wie die CAC-Detektion kann die Medizin von einem reaktiven auf einen proaktiven Ansatz zur Krankheitsprävention verlagern, wodurch langfristige Morbidität, Mortalität und Gesundheitskosten reduziert werden." Die Studie hat jedoch einige Einschränkungen, da der Algorithmus anhand einer ausschließlich aus Veteranen bestehenden Bevölkerung entwickelt wurde. Das Team hofft, zukünftige Studien in der allgemeinen Bevölkerung durchzuführen und zu testen, ob das Tool den Einfluss von Lipidsenkungsmedikamenten auf CAC-Scores bewerten kann. Zu den Autoren gehören außer Aerts auch Simon Bernatz und Leonard Nürnberg vom Mass General Brigham sowie Raffi Hagopian, Timothy Strebel, Gregory A. Myers, Erik Offerman, Eric Zuniga, Cy Y. Kim, Angie T. Ng, James A. Iwaz, Sunny P. Singh, Evan P. Carey, Michael J. Kim, R. Spencer Schaefer, Jeannie Yu und Amilcare Gentili. Finanzierung: Diese Arbeit wurde vom Veterans Affairs Gesundheitssystem gefördert. Industry-Insider beurteilen die Entwicklung von AI-CAC als bedeutenden Fortschritt in der Präventionsmedizin. Sie sehen darin das Potenzial, das Management kardiovaskulärer Risiken zu revolutionieren und die Früherkennung und Behandlung von Herzerkrankungen signifikant zu verbessern. Das Mass General Brigham ist ein führendes medizinisches Forschungszentrum mit einem starken Fokus auf dieIntegration von KI in die klinische Praxis. Das VA-Gesundheitssystem ist das größte integrierte Gesundheitsversorgungssystem der USA und bietet einen idealen Testrahmen für innovative medizinische Technologien.