Vor zwei Jahrzehnten begann ein Team französischer Wissenschaftler, eine schwer zu diagnostizierende und schwer zu behandeln Population zu untersuchen: Patienten mit pulmonaler arterieller Hypertonie (PAH). Obwohl die Krankheit lebensbedrohlich und lebensverändernd ist, wurde sie auch unteruntersucht. Eine nationale Datenbank von PAH-Patienten wurde im Jahr 2000 in Frankreich eingerichtet, und sechs Jahre später waren die Ermittler bereit, über die Daten zu berichten. Die Ergebnisse machten ein großes Problem klar: Die fast 700 Personen im Register warteten routinemäßig lange Zeiträume – über 27 Monate -, von dem Moment an, als die Symptome auftraten, bis zu dem Zeitpunkt, als sie mit PAH diagnostiziert wurden. Einmal diagnostiziert, hatten die meisten Patienten bereits fortgeschrittene Erkrankungen. Tatsächlich hatten 75% der Register-Teilnehmer zur Zeit der Diagnose eine NYHA-Klasse III oder IV-Erkrankung. Die Ergebnisse unterstrichen die Bedeutung der Früherkennung, taten jedoch wenig, um die Früherkennung zu verbessern. Seit dieser Studie haben sich die therapeutischen Optionen für PAH signifikant verbessert. Die diagnostischen Hürden sind jedoch geblieben. Dies hat neue Teams von Wissenschaftlern veranlasst, sich neuen Werkzeugen – künstlicher Intelligenz (KI) und Deep Learning (DL) – zuzuwenden, in der Hoffnung, Patienten mit PAH genauer zu identifizieren.
Ein Artikel von 2022 im European Heart Journal – Cardiovascular Imaging skizzierte einen solchen Versuch. Die Ermittler verwendeten 450 Patienten mit PAH, 308 Patienten mit rechtsventrikulärer Dilatation ohne PAH und 67 gesunde Kontrollen, um tiefe Faltungsnetzwerke zu schulen, um Echokardiographie-Bilder mit dem geschätzten systolischen Druck des rechten Ventrikels zu verknüpfen, um PAH zu erkennen.Das resultierende Algorithmus erreichte eine Genauigkeit von 97,6% und eine Sensitivität von 100% bei der Erkennung von PAH (auf Patientenbasis). Darüber hinaus sagte das Team, dass ihr Modell das Potenzial aufwies, Prognosen für die Patienten vorherzusagen. Sie warnten jedoch auch davor, dass ihr Modell noch nicht bereit sei, menschliche Experten zu ersetzen. In diesem Monat wurde in einem neuen Artikel im Journal of Imaging Informatics in Medicine erneut auf das Thema zurückgegriffen. Diesmal verwendeten die Ermittler eine Kombination aus Elektrokardiographie (EKG) und Thorax-Röntgendaten, um ein Modell zur Erkennung von Patienten mit erhöhtem pulmonalem arteriellem Druck (PAP) zu schulen.
Verfasser Wen-Hui Fang, M.D., vom Tri-Service General Hospital in Taiwan, und Kollegen, erklärten, dass die Verwendung ihres Modells ein wichtiges Screening-Tool sein könnte. Sie schrieben: “Dieses Modell hat das Potenzial, in klinischen Umgebungen für das Screening von Patienten mit pulmonaler Hypertonie wertvoll zu sein, aufgrund seines hohen NPV, was eine frühe Intervention und verbesserte langfristige kardiovaskuläre Ergebnisse ermöglicht.” Sie warnten jedoch auch, dass die “Opazität” von Deep Learning-Modellen ein Hindernis sein könne, da Menschen nicht über dieselbe Fähigkeit verfügen, Patienten mit wahrscheinlich erhöhtem PAP zu identifizieren. Sie sagten, dass weitere Studien durchgeführt werden sollten, um die Korrelation und Interpretierbarkeit der Beziehungen zu untersuchen, die von den Modellen identifiziert wurden.