Forscher haben eine Methode entwickelt, um Herz-Kreislauf-Erkrankungen frühzeitig zu erkennen, indem sie einen digitalen Zwilling des Patienten verwenden. Dies ermöglicht eine tiefere Untersuchung der Krankheit und erleichtert sowohl Patienten als auch Ärzten und medizinischen Einrichtungen die Belastung. Die neue Methode nutzt elektrische Signale aus EKGs, PPGs oder Smartwatches, die durch ein selbstentwickeltes Machine-Learning-Modell analysiert werden.
Das Training des Machine-Learning-Modells erfolgte mit realen klinischen Bio-Impedanz-Daten und Simulationswerten von kardiovaskulären Systemmodellen. Mit zahlreichen kardiovaskulären Parametern und umfangreichen Simulationsanforderungen ermöglicht Machine Learning eine schnelle Erzielung von Ergebnissen mit mehr als 90% Genauigkeit. Ein weiterer Vorteil dieser Analyse ist die Fähigkeit, Änderungen in EKG-Daten zu identifizieren, die selbst für erfahrene Ärzte nicht leicht erkennbar sind.
Die Technologie kann beispielsweise den Grad der arteriellen Versteifung bewerten, oft ein Vorläufer einer Aortendissektion, und damit als Frühwarnzeichen dienen. Sobald eine signifikante Veränderung festgestellt wird, können die diagnostischen Daten verwendet werden, um ein Multi-Physik-Simulationsmodell oder einen digitalen Zwilling zu erstellen, der nicht nur das Fortschreiten der Krankheit vorhersagt, sondern auch eine tiefere Analyse durch medizinisches Fachpersonal ermöglicht. Die Forscher arbeiten aktiv mit Partnern aus der Gesundheitsbranche zusammen, um die Genauigkeit ihrer Algorithmen zu verbessern und sie weiter für den klinischen Einsatz anzupassen.