Forscher haben eine Methode entwickelt, um die Früherkennung von Herz-Kreislauf-Erkrankungen zu verbessern, indem sie einen digitalen Zwilling des Patienten nutzen, der auch eine tiefere Untersuchung der Krankheit ermöglicht. Diese Innovation soll die Belastung für Patienten, Ärzte und medizinische Einrichtungen gleichermaßen erleichtern. Das Team der Technischen Universität Graz (TU Graz, Steiermark, Österreich) hat diesen neuen Ansatz entwickelt, der darauf beruht, dass jede Erkrankung, die die Herz-Kreislauf-Mechanik verändert, auch das äußerlich angelegte elektrische Feld auf spezifische Weise modifiziert. Dies betrifft Zustände wie Arteriosklerose, Aortendissektion, Aneurysmen und Herzklappenfehler.
Forscher können Standardelektrik-, Bioimpedanz- oder optische Signale – von EKGs, PPGs oder Smartwatches – verwenden, die durch ein selbst entwickeltes maschinelles Lernmodell analysiert werden. Dieses Modell erkennt potenzielle Krankheiten aus den Signalen und bewertet die Wahrscheinlichkeit ihres Vorhandenseins, was eine frühzeitige Intervention ermöglicht, wenn eine medikamentöse Behandlung noch möglich ist. Das Training des maschinellen Lernmodells umfasste echte klinische Bioimpedanzdaten und Simulationswerte aus Modellen des Herz-Kreislauf-Systems.
Ein weiterer Vorteil dieser maschinellen Lernanalyse ist ihre Fähigkeit, Veränderungen in EKG-Daten zu identifizieren, die selbst für erfahrene Ärzte nicht leicht erkennbar sind. Diese Technologie kann beispielsweise das Ausmaß der Arterienversteifung beurteilen, oft ein Vorläufer der Aortendissektion, und damit als Frühwarnzeichen dienen. Sobald eine signifikante Veränderung erkannt wird, können die diagnostischen Daten verwendet werden, um ein multiphysikalisches Simulationsmodell oder einen digitalen Zwilling zu erstellen, der nicht nur das Fortschreiten der Krankheit vorhersagt, sondern auch eine tiefere Analyse durch medizinische Fachleute ermöglicht. Die Forscher arbeiten aktiv an der Weiterentwicklung dieser Technologie mit Partnern aus der Gesundheitsbranche zusammen, um die Genauigkeit ihrer Algorithmen zu verbessern und sie weiter für die klinische Anwendung zu optimieren.