Mobile-Menu
  DB Podcast

Früherkennung mit KI Herz-Kreislauf-Erkrankungen: Machine Learning schlägt rechtzeitig Alarm

Verantwortliche:r Redakteur:in: Konstantin Pfliegl 2 min Lesedauer

Anbieter zum Thema

d.velop AG
Kendox AG
xSuite Group GmbH

Herz-Kreislauf-Erkrankungen werden meist erst entdeckt, wenn sie bereits weit fortgeschritten sind. Forscher der TU Graz haben nun einen Weg gefunden, solche Erkrankungen frühzeitig zu erkennen.

(Bild: peterschreiber.media / AdobeStock)
(Bild: peterschreiber.media / AdobeStock)

Zu den weltweit häufigsten Todesursachen gehören Herz-Kreislauf-Erkrankungen. Diese werden jedoch oft erst dann entdeckt, wenn bereits Symptome auftreten und die Krankheit schon relativ weit fortgeschritten ist. Statt einer medikamentösen Behandlung ist dann meist eine Operation notwendig. Forscher des Projekts „Mechanics, Modeling and Simulation of Aortic Dissection“ an der TU Graz haben nun einen Weg gefunden, die Früherkennung solcher Krankheiten ohne Einsatz teurer Diagnosemethoden wie MRT oder CT zu verbessern und zu beschleunigen. 

In den Simulationen lassen sich Änderungen in den elektrischen Feldern genau analysieren – und somit Herz-Kreislauf-Erkrankungen frühzeitig erkennen.(Bild: arterioscope / TU Graz)
In den Simulationen lassen sich Änderungen in den elektrischen Feldern genau analysieren – und somit Herz-Kreislauf-Erkrankungen frühzeitig erkennen.
(Bild: arterioscope / TU Graz)

Mittels eines Digitalen Zwillings der betroffenen Personen können sie die Erkrankungen noch weiter untersuchen. Das kann sowohl Patienten und Ärzte als auch Gesundheitseinrichtungen entlasten. Ihre Methode haben die Forscher zum Patent angemeldet und führen sie im Spin-off arterioscope nun zur Marktreife.

Herz-Kreislauf-Erkrankungen und elektrische Felder

„Das Grundprinzip ist: Jegliche Erkrankung, welche die kardiovaskuläre Mechanik verändert, wird auch das extern angelegte elektrische Feld auf eine bestimmte Art verändern. Das gilt für Arteriosklerose, Aortendissektion, Aneurysmen, Herzklappenfehler und so weiter“, erklärt Sascha Ranftl vom Institut für Theoretische Physik/Computational Physics an der TU Graz. Nutzen können die Forscher hierfür normale elektrische und optische Signale sowie sogenannte Bioimpedanz-Signale – beispielsweise von einem EKG, Photoplethysmographie (PPG) oder einer Smartwatch. Die Signale werden mit einem selbst entwickelten Machine-Learning-Modell analysiert, das potenzielle Erkrankungen aus den Signalen herausliest. 

Gleichzeitig gibt das Modell an, wie hoch die Wahrscheinlichkeit ist, dass eine bestimmte Erkrankung wirklich vorhanden ist. Trainiert wurde das Machine-Learning-Modell mit realen klinischen Bioimpedanz-Daten und Werten aus Simulationen des Herz-Kreislauf-Systems. Aufgrund der zahlreichen Parameter, die im kardiovaskulären System eine Rolle spielen, und der vielen Simulationen, die für ein statistisch signifikantes Ergebnis notwendig sind, macht es Machine Learning überhaupt erst möglich, Ergebnisse mit über 90-prozentiger Genauigkeit in einer annehmbaren Zeit zu erhalten. 

So gelingt es mit dieser Methode beispielsweise, den Grad der Versteifung von Arterien festzustellen. Wenn Arterien immer steifer werden, ist das üblicherweise eine Vorstufe von Aortendissektion und damit ein vorzeitiges Warnsignal. Ist so eine risikobehaftete Veränderung gefunden, lässt sich anhand der Diagnosedaten ein multiphysikalisches Simulationsmodell in Form eines Digitalen Zwillings erstellen, das auch den weiteren Verlauf der Erkrankung prognostiziert. 

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung. Die Einwilligungserklärung bezieht sich u. a. auf die Zusendung von redaktionellen Newslettern per E-Mail und auf den Datenabgleich zu Marketingzwecken mit ausgewählten Werbepartnern (z. B. LinkedIn, Google, Meta).

Aufklappen für Details zu Ihrer Einwilligung

Weiterführende Inhalte