Ein Ansatz basierend auf einem convolutionalen neuronalen Netzwerk zur Erkennung von Herzinsuffizienz

Kongestive Herzinsuffizienz (CHF) ist eine schwere pathophysiologische Erkrankung mit hohem Vorhandensein, hoher Sterblichkeit und anhaltend hohen Gesundheitskosten, weshalb effiziente Methoden für ihre Detektion dringend erforderlich sind. Trotz neuerer Forschungsansätze, die sich auf fortgeschrittene Signalverarbeitung und maschinelles Lernen konzentrieren, wurde bisher das Potenzial von Convolutional Neural Network (CNN)-Ansätzen für die automatische Erkennung von CHF weitgehend übersehen. Diese Studie schließt diese wichtige Lücke, indem sie ein CNN-Modell vorstellt, das CHF mit hoher Genauigkeit bereits anhand eines einzigen rohen Elektrokardiogramm-(ECG)-Herzschlages erkennt, und vergleicht dies mit etablierten Methoden, die typischerweise auf der Herzfrequenzvariabilität (Heart Rate Variability, HRV) basieren. Das Modell wurde an öffentlich verfügbaren ECG-Datensätzen trainiert und getestet, die insgesamt 490.505 Herzschläge umfassten, und erreichte dabei eine Detektionsgenauigkeit von 100 %. Wichtig ist, dass das Modell zudem jene Herzschlagsequenzen und morphologischen Merkmale des ECG identifiziert, die für die Klassendifferenzierung charakteristisch sind und somit entscheidend für die Erkennung von CHF sind. Insgesamt trägt unser Beitrag maßgeblich zur Weiterentwicklung der aktuellen Methoden zur CHF-Detektion bei und erfüllt die Bedürfnisse klinischer Praktiker durch die Bereitstellung eines genauen und vollständig transparenten Werkzeugs zur Unterstützung diagnostischer Entscheidungen.