Oxford AI erkennt frühzeitig das Risiko einer Herzinsuffizienz anhand von routinemäßigen CT-Scans mit einer Genauigkeit von 86 % bei 72,000 Patienten.
In Kürze
Forscher der Universität Oxford haben ein KI-System entwickelt, das subtile, unsichtbare Veränderungen des Herzfetts anhand von routinemäßigen CT-Scans erkennt und das Risiko einer Herzinsuffizienz bis zu fünf Jahre im Voraus mit einer Genauigkeit von 86 % bei 72,000 Patienten vorhersagen kann.
Forscher an der University of Oxford Wir haben ein System mit künstlicher Intelligenz entwickelt, das das Risiko eines Patienten, eine Herzinsuffizienz zu entwickeln, bis zu fünf Jahre im Voraus abschätzen kann. In Validierungsstudien mit über 72,000 Patienten erreichte es eine Genauigkeit von 86 %. Das Verfahren erfordert keine zusätzlichen Untersuchungen, spezialisierten Eingriffe oder neue medizinische Geräte, da es auf Herz-CT-Scans basiert, die bereits routinemäßig in der klinischen Praxis durchgeführt werden.
Die von Professor Charalambos Antoniades geleitete und im Journal of the American College of Cardiology veröffentlichte Studie befasst sich mit einer langjährigen Einschränkung in der Kardiologie: Herzinsuffizienz wird typischerweise erst diagnostiziert, nachdem bereits erhebliche strukturelle Schäden eingetreten sind, wodurch die präventiven Möglichkeiten oft begrenzt sind. Das vorgeschlagene System lenkt die Aufmerksamkeit auf frühe biologische Veränderungen, die den sichtbaren Symptomen um mehrere Jahre vorausgehen.
Im Zentrum des Modells steht eine ungewöhnliche Datenquelle: das das Herz umgebende Fettgewebe, das sogenannte Perikardfettgewebe. Obwohl dieses Gewebe bei der routinemäßigen Auswertung von Scans traditionell vernachlässigt wird, scheint es zugrundeliegende entzündliche und metabolische Veränderungen im Herzmuskel selbst widerzuspiegeln.
Laut den Forschern verändert sich die Struktur dieser Fettablagerungen als Reaktion auf Belastungen im Herz-Kreislauf-System allmählich. Dabei entstehen Muster, die mit herkömmlichen Methoden der Bildanalyse nicht erkennbar sind. Das KI-System ist darauf ausgelegt, diese subtilen Veränderungen zu identifizieren und in eine quantifizierte Risikoeinschätzung für zukünftiges Herzversagen umzurechnen.
Signale lesen, die das menschliche Auge nicht sehen kann
Die kardiale Computertomographie (CT) wird im britischen Nationalen Gesundheitsdienst (NHS) häufig zur Abklärung von Brustschmerzen und zur Beurteilung der koronaren Herzkrankheit eingesetzt; jährlich werden Hunderttausende von Untersuchungen durchgeführt. Im klinischen Alltag konzentrieren sich Radiologen primär auf arterielle Verengungen und sichtbare Anomalien, während das umgebende Fettgewebe nur wenig Beachtung findet.
Das Oxford-Modell nutzt diese bisher vernachlässigte Datenebene, indem es Texturmerkmale im Perikardfett analysiert. Mithilfe von maschinellen Lernverfahren, die mit anonymisierten CT-Daten von über 59,000 NHS-Patienten trainiert wurden, lernte das System, spezifische Bildgebungsmuster mit der späteren Entwicklung einer Herzinsuffizienz im Langzeitverlauf in Zusammenhang zu bringen.
In Validierungstests mit 13,424 weiteren Patienten erreichte das Modell eine Genauigkeit von 86 % bei der Vorhersage des Fünfjahresrisikos für Herzinsuffizienz. Personen der Hochrisikogruppe hatten ein etwa 20-fach höheres Risiko, an Herzinsuffizienz zu erkranken, als Personen der Niedrigrisikogruppe. Die Wahrscheinlichkeit für einen Ausbruch innerhalb von fünf Jahren wurde auf 25 % geschätzt.
Wichtig ist, dass das System Risikobewertungen automatisch generiert, ohne dass manuelle Eingaben von Ärzten erforderlich sind. Dadurch positioniert es sich eher als potenzielles Entscheidungshilfsmittel denn als Ersatz für bestehende Diagnoseverfahren.
Von Herz-Scans bis hin zu beliebigen CT-Untersuchungen des Brustkorbs – und ein Weg zum NHS (National Health Service).
Das übergeordnete Ziel der Forschung ist es, die Technologie über die kardiologische Bildgebung hinaus zu erweitern. Das Team arbeitet derzeit an der Anpassung des Modells zur Analyse von Standard-Thorax-CT-Scans, einschließlich solcher, die im Rahmen des Lungenkrebs-Screenings und der Atemwegsdiagnostik eingesetzt werden. Angesichts des deutlich höheren Volumens an Thorax-CT-Untersuchungen im Vergleich zu kardiologischen Scans könnte eine solche Anpassung die Reichweite des Systems erheblich vergrößern.
Klinisch gesehen ergeben sich daraus Konsequenzen durch ein früheres Eingreifen. Durch die Identifizierung von Hochrisikopatienten Jahre vor dem Auftreten von Symptomen könnten Gesundheitsdienstleister Überwachungsstrategien anpassen, präventive Behandlungen früher einleiten und Ressourcen effektiver priorisieren. Da Herzinsuffizienz bereits mehr als eine Million Menschen in Großbritannien betrifft, sind die potenziellen Auswirkungen auf den langfristigen Bedarf an Gesundheitsleistungen beträchtlich.
Es werden derzeit Pläne erarbeitet, um die behördliche Genehmigung für die Integration in die routinemäßigen radiologischen Arbeitsabläufe des NHS zu erhalten. Bei Zulassung würde das System im Hintergrund der Standardbildgebungsverfahren laufen und automatisierte Risikobewertungen ohne zusätzliche Kosten oder Änderungen der Scanprotokolle erstellen.
Die Forschung wurde von der British Heart Foundation und dem National Institute for Health and Care Research Biomedical Research Centre in Oxford gefördert. Sie spiegelt einen umfassenderen Wandel in der medizinischen Bildgebung wider, bei dem künstliche Intelligenz zunehmend nicht nur zur Erkennung bestehender Krankheiten, sondern auch zur Ableitung zukünftiger Risiken aus subtilen, bisher wenig genutzten biologischen Signalen in Routineuntersuchungen eingesetzt wird.
Haftungsausschluss
Im Einklang mit der Richtlinien des Trust-ProjektsBitte beachten Sie, dass die auf dieser Seite bereitgestellten Informationen nicht als Rechts-, Steuer-, Anlage-, Finanz- oder sonstige Beratung gedacht sind und nicht als solche interpretiert werden sollten. Es ist wichtig, nur so viel zu investieren, wie Sie sich leisten können, zu verlieren, und im Zweifelsfall eine unabhängige Finanzberatung einzuholen. Für weitere Informationen empfehlen wir einen Blick auf die Allgemeinen Geschäftsbedingungen sowie die Hilfe- und Supportseiten des Herausgebers oder Werbetreibenden. MetaversePost ist einer genauen, unvoreingenommenen Berichterstattung verpflichtet, die Marktbedingungen können sich jedoch ohne Vorankündigung ändern.
Über den Autor
Alisa, eine engagierte Journalistin bei der MPost, ist spezialisiert auf Krypto, KI, Investitionen und das weitreichende Gebiet von Web3. Mit einem scharfen Blick für neue Trends und Technologien liefert sie eine umfassende Berichterstattung, um die Leser über die sich ständig weiterentwickelnde Landschaft des digitalen Finanzwesens zu informieren und einzubeziehen.
Weitere Artikel
Alisa, eine engagierte Journalistin bei der MPost, ist spezialisiert auf Krypto, KI, Investitionen und das weitreichende Gebiet von Web3. Mit einem scharfen Blick für neue Trends und Technologien liefert sie eine umfassende Berichterstattung, um die Leser über die sich ständig weiterentwickelnde Landschaft des digitalen Finanzwesens zu informieren und einzubeziehen.
