Deep learning von Echokardiographie zur Risikoprädiktion von Vorhofflimmern

• Antragsteller: Dr. Shinwan Kany
• Fachliche Zuordnung: Kardiologie, Angiologie
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 521832260

Vorhofflimmern (VHF) ist die häufigste Rhythmusstörung der Welt bei Erwachsenen. Für die Identifikation von Patienten, die ein Risiko haben VHF zu entwickeln oder ein Risiko haben einen Schlaganfall zu entwickeln gibt es nur unpräzise Risiko Scores (CHARGE-AF und CHA2DS2-VASc), die oft das individuelle Risiko eines Patienten nicht hinreichend erklären. Der Phänotyp VHF kann durch verschiedene biologische Mechanismen entstehen. Mittels Machine Learning (ML) kann man komplexe Rechenverfahren einsetzen, die in der Lage sind Informationen aufzunehmen, die dem menschlichen Auge nicht zugänglich sind.So kann man mit ML die Elektrokardiogramme von Menschen untersuchen bei denen kein VHF bekannt ist und eine Prädiktion für VHF errechnen. Diese Informationen scheinen komplementär zu klinischen Risiko Scores zu sein. Echokardigraphie (Echo) liefert präzisere Information über Herzfunktion und Herzstruktur als EKG.Die Community Care Cohort Project (C3PO) Kohorte des Mass General Brigham Systems bietet Informationen von 500,000 Patienten über ein Follow-up (FU) von >15 Jahren, die ihre allgemeinmedizinische Versorgung am MGB bekommen. Wir planen daher ML-Modelle mit Echo Videos zu trainieren, um das Risiko für VHF und für Schlaganfälle vorherzusagen. Dafür nutzen wir >228,000 anonymisierte Echo Studien von >88,000 Patienten aus dem Massachusetts General Hospital. In einer ersten Qualitätskontrolle (QC) wird ein ML-Modell (QC-Modell 1) darauf trainiert die Datenqualität jeder Videoschleife einzuschätzen. Trainiert wird das Modell mit Annotationen von zwei Kardiologen. Danach werden schlechte Videoschleifen ausgeschlossen. In einem zweiten Schritt wird ein Modell (QC-Modell 2) trainiert Routineparameter vorherzusagen, die im Echoreport (wie Größe des linken Ventrikels) vermerkt sind. Bei unerwarteten Abweichungen kann kontrolliert werden, ob weitere Probleme mit der Bildqualität oder dem ML-Modell bestehen. Nach den QC-Modellen trainieren wir ein ML-Modell an Echos von Patienten ohne prävalentes VHF, von denen ein Teil innerhalb des C3PO FU eine Diagnose von VHF erhielt und ein anderer Teil nicht. Wir bilden dabei ein Trainingsset mit den bekannten FU-Diagnosen, ein weiteres Set um die Vorhersage zu verbessern (finetuning) und ein Testset, das das Modell erst sieht, wenn wir das Training für abgeschlossen halten. In einem weiteren Modell wird untersucht, ob ML einen Schlaganfall bei Patienten mit prävalentem VHF vorhersagen, kann mittels einer ähnlichen Struktur. Diese Prädiktion wird anschließend in einem ähnlich großen Echo-Datensatz des Brigham and Women’s Hospital validiert. Anschließend werden sowohl klinische Risiko Scores als auch genetische Risiko Scores für VHF und Schlaganfälle errechnet und mit dem ML-Modell verglichen. Ebenso wird untersucht, ob eine Kombination aller Risiko Scores die Prädiktion noch weiter verbessert, um eine ganzheitliche Risikoeinschätzung zu haben.

• DFG-Verfahren: WBP Stipendium
• Internationaler Bezug: USA
• Gastgeber: Professor Dr. Patrick T. Ellinor