KI sagt tödliche Herzinfarkte mit 89 % Genauigkeit anhand verborgener MRT-Muster vorher
Neues KI-Modell der Johns Hopkins University erkennt gefährliche Herznarben-Muster in MRT-Aufnahmen, die Ärzten entgehen – und übertrifft damit aktuelle Leitlinien deutlich.
Zusammenfassung
Forscher der Johns Hopkins University entwickelten ein KI-System namens MAARS, das den plötzlichen Herztod mit einer Genauigkeit von 89 % vorhersagt, indem es Herz-MRT-Aufnahmen und Krankenakten analysiert. Das System erkennt verborgene Vernarbungsmuster bei Patienten mit hypertropher Kardiomyopathie, einer häufigen erblichen Herzerkrankung, die weltweit 1 von 200 bis 500 Menschen betrifft. Die derzeit von Ärzten angewandten klinischen Leitlinien identifizieren Hochrisikopatienten nur mit einer Genauigkeit von 50 %. MAARS erwies sich besonders bei Patienten zwischen 40 und 60 Jahren als wirkungsvoll und erzielte in dieser Gruppe mit dem höchsten Risiko eine Genauigkeit von 93 %. Der Durchbruch könnte Leben retten, indem er zuverlässiger identifiziert, wer einen schützenden Defibrillator benötigt, und anderen unnötige Eingriffe erspart.
Detaillierte Zusammenfassung
Ein bahnbrechendes KI-System der Johns Hopkins University kann den plötzlichen Herztod mit bemerkenswerter Genauigkeit vorhersagen, indem es verborgene Muster in Herzscans erkennt, die Ärzte nicht sehen können. Dieser Durchbruch schließt eine kritische Lücke in der Behandlung der hypertrophen Kardiomyopathie, einer erblichen Herzerkrankung, die Millionen von Menschen weltweit betrifft und eine der häufigsten Ursachen für den plötzlichen Tod bei jungen Sportlern ist.
Das KI-Modell namens MAARS analysiert kontrastmittelverstärkte MRT-Aufnahmen zusammen mit vollständigen Krankenakten, um gefährliche Narbenmuster im Herzen zu identifizieren. Während die aktuellen klinischen Leitlinien, die in den USA und Europa angewendet werden, Hochrisikopatienten nur mit einer Genauigkeit von 50 % identifizieren, erreichte MAARS eine Gesamtgenauigkeit von 89 % und eine beeindruckende Genauigkeit von 93 % bei Patienten im Alter von 40 bis 60 Jahren.
Die zentrale Innovation liegt in der Fähigkeit der KI, verborgene Informationen aus MRT-Scans zu extrahieren, die menschliche Ärzte übersehen. Patienten mit hypertropher Kardiomyopathie entwickeln Herznarben, die das Risiko des plötzlichen Herztodes erhöhen, doch diese kritischen Muster waren für herkömmliche Analysemethoden bislang unsichtbar.
Dieser Fortschritt könnte die Patientenversorgung grundlegend verändern, indem sichergestellt wird, dass Hochrisikopatienten lebensrettende Defibrillatoren erhalten, während unnötige Eingriffe bei Niedrigrisikopatienten vermieden werden. Derzeit sterben viele Patienten unerwartet, weil sie nicht als Hochrisikopatienten eingestuft wurden, oder leben mit implantierten Defibrillatoren, die sie eigentlich nicht benötigen.
Die Forschungsergebnisse, veröffentlicht in Nature Cardiovascular Research und an realen Patienten des Johns Hopkins Hospital sowie des Sanger Heart & Vascular Institute in North Carolina getestet, stellen einen bedeutenden Schritt in Richtung personalisierter Herzmedizin dar. Die KI kann zudem erläutern, warum bestimmte Patienten ein hohes Risiko aufweisen, was Ärzten die Erstellung maßgeschneiderter Behandlungspläne ermöglicht.
Wichtigste Erkenntnisse
- AI model achieved 89% accuracy predicting sudden cardiac death vs 50% for current guidelines
- 93% accuracy rate for patients aged 40-60, the highest-risk demographic group
- First system to extract hidden scarring patterns from heart MRI scans
- Could prevent unnecessary defibrillator implants while identifying truly high-risk patients
- Tested successfully on real patients from two major medical centers
Methodik
Dies ist ein Nachrichtenbericht von ScienceDaily, der über eine begutachtete Studie berichtet, die in Nature Cardiovascular Research veröffentlicht wurde. Die Studie wurde mit Bundesmitteln finanziert und von Forschern der Johns Hopkins University durchgeführt, was auf hohe Glaubwürdigkeit und strenge Methodik hinweist.
Studienlimitierungen
Der Artikel gibt weder die genaue Anzahl der untersuchten Patienten an noch liefert er Details zum Trainingsdatensatz der KI. Zeitplan für die Implementierung und der Zulassungsprozess für den klinischen Einsatz werden nicht erörtert, und langfristige Validierungsstudien könnten noch erforderlich sein.
Hat dir diese Zusammenfassung gefallen?
Erhalte die neueste Longevity-Forschung jede Woche in deinen Posteingang.
E-Mail-Adresse zum Abonnieren eingeben: