Neues KI-Modell erkennt kardiale Amyloidose frühzeitig mit 93 % Sensitivität

Kardiale Amyloidose (CA) ist eine fortschreitende und häufig tödliche Ursache von Herzinsuffizienz, die durch fehlgefaltete Proteinablagerungen im Herzmuskel entsteht. Trotz eines wachsenden Bewusstseins für die Erkrankung wird die Diagnose häufig um etwa ein Jahr nach dem klinischen Verdacht verzögert – teilweise weil kein zuverlässiger Erstlinien-Screening-Test existiert. Selbst die Echokardiographie, ein standardmäßiges kardiologisches Bildgebungsverfahren, kämpft aufgrund der Überschneidung von CA mit anderen Herzerkrankungen mit Genauigkeitsproblemen. Diese diagnostische Lücke hat reale Konsequenzen: Je früher CA erkannt wird, desto wirksamer sind die verfügbaren Therapien in der Regel.

Forscher am MedStar Health Research Institute haben AI-ECM entwickelt, einen multimodalen KI-Algorithmus, der demografische Daten, Laborbiomarker und Parameter der transthorakalen Echokardiographie (TTE) in einem einzigen diagnostischen Modell zusammenführt. Das Tool baut auf Us2.Ca auf, einem FDA-zugelassenen Deep-Learning-Modell, das ausschließlich auf TTE-Daten basiert. Durch die Hinzunahme klinischer und Labor-Eingabedaten wollte das Team diagnostische Signale erfassen, die die Bildgebung allein verfehlt.

In einer internen Validierungsstudie mit multietnischen Registerdaten zeigte AI-ECM bedeutsame Verbesserungen: Die Sensitivität stieg von 76 % auf 93 %, und die Fläche unter der Kurve verbesserte sich von 0,89 auf 0,94. Entscheidend ist, dass das Modell unbestimmte Klassifikationen vollständig eliminierte – ein anhaltendes Problem bei bestehenden Tools. Es zeigte auch besondere Fortschritte bei der Erkennung von Leichtketten-CA, einem historisch schwerer zu identifizierenden Subtyp.

Der Kompromiss ist ein moderater Rückgang der Spezifität von 91 % auf 85 %, was zu etwas mehr falsch positiven Ergebnissen führt. Kommentatoren vom Brigham and Women's Hospital wiesen jedoch darauf hin, dass für ein Screening-Tool, das zur Reduzierung übersehener Diagnosen konzipiert ist, eine höhere Sensitivität die klinisch aussagekräftigere Kennzahl darstellt.

Das Modell stützt sich ausschließlich auf Routinedaten, die bereits während der frühen CA-Abklärung erhoben werden, was es praktisch skalierbar macht, ohne zusätzlichen Testaufwand zu verursachen. Vor dem klinischen Einsatz ist noch eine prospektive Validierung an breiteren Bevölkerungsgruppen erforderlich, doch die Ergebnisse stellen einen bedeutenden Schritt in Richtung KI-gestützter Früherkennung einer Erkrankung dar, bei der das richtige Timing entscheidend ist.