Cardiovascular Conversations Meetup mit dem Schwerpunkt KI in der Kardiovaskulären Medizin

Das Cardiovasuclar Conversations Meetup im Oktober setzte einen technologisch-orientierten Schwerpunkt auf dem Einsatz von KI in der Kardiovaskulären Medizin. Vorhofflimmern ist die häufigste Form von Herzrhythmusstörungen. Für die Behandlung hat sich die Katheterablation, bei der Herzmuskelzellen - meist im Bereich der Pulmonalvenen - gezielt verödet werden, zu einer zentralen Therapieoption entwickelt. Dennoch erleiden etwa 30–50 % der Behandelten Rückfälle – abhängig von der Form des Vorhofflimmerns und individuellen Risikofaktoren.

Maschinelles Lernen zur personalisierten Vorhersage und Therapie von Herzrhythmusstörungen

Felix Hohendanner und seine Teamkollegen Matthias Bock und Emanuel Heil nutzen Maschinelles Lernen (ML), um die Vorhersage und Therapie von Herzrhythmusstörungen zu personalisieren. Die von ihnen entwickelte Feedback-Plattform AtriAI bietet intra- und postprozedurale Informationen zur Effektivität der Ablation und soll die Therapie künftig weiter individualisieren. Ergänzend bieten erste kommerzielle KI-gestützte Systeme am DHZC bereits jetzt eine Identifizierung von zusätzlichen Ablationsregionen. Prospektive Studien zeigen dabei positive Effekte KI-gestützter Ablation auf die langfristige Freiheit von Vorhofflimmern. Zudem stellte Hohendanner die VAMP-HF-Studie vor, die am DHZC in Zusammenarbeit mit dem Start-up Noah Labs durchgeführt wurde. Die Studie zeigte, dass die KI-gestützte Stimmanalyse eine beginnende Dekompensation bei Herzinsuffizienzpatient:innen frühzeitig erkennen kann, um rechtzeitig medizinische Maßnahmen einzuleiten. Darüber hinaus kann die Stimmanalyse das klinische Entlassmanagement nach einer Dekompensation verbessern.

Traditionelle EHR-Foundation-Modelle vs. Large Language Models für medizinische Vorhersagen

Elektronische Gesundheitsakten (EHRs) bieten großes Potenzial für klinische Vorhersagen, doch ihre Komplexität und Heterogenität stellen herkömmliche maschinelle Lernverfahren vor erhebliche Herausforderungen. In seiner Präsentation verglich Stefan Hegselmann traditionelle EHR-Foundation-Modelle mit Large Language Models (LLMs) für medizinische Vorhersagen. Während EHR-Modelle viele Krankheitsbeispiele benötigen, können LLMs vorhandenes Vorwissen nutzen und auch mit weniger Daten gute Ergebnisse erzielen. Entscheidender Vorteil: Hegselmanns Ansatz erfordert kein institutionsspezifisches Training und kann beliebige medizinische Codes mittels Textbeschreibung verarbeiten, während bestehende EHR-Modelle auf feste Vokabulare beschränkt sind und nur zuvor gelernte Codes erkennen. Die Ergebnisse zeigen, dass LLMs EHR-Modelle erreichen oder übertreffen, insbesondere bei externen Datensätzen wie der UK Biobank. Ihre Leistung steigt mit der Modellgröße und moderneren Architekturen. Zudem bieten LLMs eine bessere Interoperabilität, was ihren Einsatz in der medizinischen KI breiter und effizienter macht.