Multimodale KI bringt eine neue Dimension in die Herz-Kreislauf-Medizin

Obwohl sich künstliche Intelligenz in der Herz-Kreislauf-Medizin bereits als vielversprechend erwiesen hat, analysieren die meisten vorhandenen Tools nur eine Art von Daten – etwa Elektrokardiogramme oder Herzbilder – was ihren klinischen Nutzen einschränkt. Das Aufkommen der multimodalen KI, die Informationen aus mehreren Quellen zusammenführt, ermöglicht es Algorithmen nun, die ganzheitlichen Überlegungen von Kardiologen nachzuahmen und genauere, patientenspezifische Erkenntnisse zu liefern.

Die vom West China Hospital der Sichuan-Universität und der Universität Kopenhagen durchgeführte Untersuchung untersuchte mehr als 150 aktuelle Studien. Die Autoren zeigen, dass die Kombination komplementärer Modalitäten – zum Beispiel Echokardiographie mit Computertomographie oder kardiale Magnetresonanz mit Genomik – die diagnostische Leistung deutlich steigert. Ein transformatorbasiertes neuronales Netzwerk, das Röntgenaufnahmen des Brustkorbs mit klinischen Variablen zusammenführte, identifizierte gleichzeitig 25 kritische Pathologien bei Intensivpatienten und erreichte eine durchschnittliche Fläche unter der Kurve (AUC) von 0,77. In einer anderen Studie enthüllte die Integration der Herz-MRT mit genomweiten Assoziationsdaten neue genetische Loci, die die Funktion der Aortenklappe beeinflussen, und öffnete damit die Tür für gezielte Präventionsstrategien.

Über die Diagnose hinaus kann multimodale KI die Behandlungsauswahl verfeinern. Mithilfe maschineller Lernmodelle, die Bildgebung, Laborergebnisse und Medikamentenhistorie einbeziehen, konnten erfolgreich vorhergesagt werden, welche Herzinsuffizienzpatienten von einer kardialen Resynchronisationstherapie profitieren würden, und so „Super-Responder“ von Non-Respondern unterscheiden. Ähnliche Ansätze identifizierten Patienten, die wahrscheinlich nicht von einer Mitralklappenreparatur profitieren würden, und ersparten ihnen unnötige Eingriffe. Die Überprüfung berichtet auch über KI-abgeleitete „Video-Biomarker“, die aus routinemäßigen Echokardiogrammen extrahiert wurden und unabhängig das Fortschreiten der Aortenstenose vorhersagen, was eine opportunistische Risikostratifizierung ohne zusätzliche Tests ermöglicht.

Die kontinuierliche Überwachung zu Hause ist ein weiteres Hindernis. Algorithmen, die Daten von Wearables, Smartphone-Apps und elektronischen Gesundheitsakten zusammenführen, können eine Verschlechterung frühzeitig erkennen und automatisiertes Coaching durchführen, was möglicherweise die Zahl der Wiedereinweisungen in Krankenhäuser verringert. Die Autoren schätzen, dass die weit verbreitete Einführung der heutigen multimodalen KI die Ausgaben für die kardiovaskuläre Gesundheitsversorgung innerhalb von fünf Jahren durch verbesserte Effizienz und weniger Komplikationen um 5–10 % senken könnte.

Trotz des Optimismus weist die Überprüfung darauf hin, dass Datenqualität, Voreingenommenheit und algorithmische Transparenz weiterhin große Hürden darstellen. Auf verzerrten Datensätzen trainierte Modelle schneiden bei unterrepräsentierten ethnischen oder sozioökonomischen Gruppen schlecht ab, während der „Black-Box“-Charakter von Deep Learning das klinische Vertrauen erschwert. Die Forscher fordern eine standardisierte Datenerfassung, föderierte Lernplattformen und erklärbare KI-Techniken, um die sichere Umsetzung in die Routineversorgung zu beschleunigen.

Quellen: