Maschinelles Lernen überholt Menschen bei der Vorhersage von Tod oder Herzinfarkt. Das ist die Hauptbotschaft einer Studie, die auf der ICNC 2019.1 vorgestellt wurde.
Die Internationale Konferenz für Nukleare Kardiologie und Herz-CT (ICNC) wird gemeinsam von der Amerikanischen Gesellschaft für Nukleare Kardiologie (ASNC), der Europäischen Gesellschaft für kardiovaskuläre Bildgebung (EACVI) und der Europäischen Gesellschaft für Kardiologie (ESC) organisiert für Nuklearmedizin (EANM).
Durch wiederholte Analyse von 85 Variablen bei 950 Patienten mit bekannten Sechsjahresergebnissen “lernte” ein Algorithmus, wie Bildgebungsdaten interagieren. Anschließend wurden Muster identifiziert, die die Variablen mit mehr als 90% Genauigkeit mit Tod und Herzinfarkt in Beziehung setzen.
Maschinelles Lernen, das moderne Fundament der künstlichen Intelligenz (KI), wird täglich eingesetzt. Googles Suchmaschine, Gesichtserkennung auf Smartphones, selbstfahrende Autos, Netflix- und Spotify-Empfehlungssysteme verwenden alle Algorithmen zum maschinellen Lernen, um sich an den einzelnen Benutzer anzupassen.
Der Studienautor Dr. Luis Eduardo Juarez-Orozco vom Turku PET Center, Finnland, sagte:
“Diese Fortschritte gehen weit über das hinaus, was in der Medizin getan wurde, wo wir vorsichtig sein müssen, wie wir Risiken und Ergebnisse bewerten. Wir haben die Daten aber wir nutzen es noch nicht voll aus. “
Ärzte verwenden Risikobewertungen, um Behandlungsentscheidungen zu treffen. Diese Werte basieren jedoch nur auf einer Handvoll Variablen und sind bei einzelnen Patienten oft nur mäßig genau. Durch Wiederholung und Anpassung kann maschinelles Lernen große Datenmengen ausnutzen und komplexe Muster identifizieren, die für den Menschen möglicherweise nicht erkennbar sind.
Dr. Juarez-Orozco erklärte:
“Es fällt den Menschen sehr schwer, weiter als drei Dimensionen (ein Würfel) oder vier Dimensionen (ein Würfel durch die Zeit) zu denken. In dem Moment, in dem wir in die fünfte Dimension springen, sind wir verloren. Unsere Studie zeigt das sehr Hochdimensionale Muster sind nützlicher als eindimensionale Muster, um Ergebnisse bei Einzelpersonen vorherzusagen, und dafür brauchen wir maschinelles Lernen. “
An der Studie nahmen 950 Brustschmerzpatienten teil, die das im Zentrum übliche Protokoll zur Suche nach Erkrankungen der Herzkranzgefäße durchlaufen hatten. Ein Koronar-Computertomographie-Angiographie-Scan (CCTA) ergab 58 Daten zum Vorhandensein von Koronarplaque, Gefäßverengung und Verkalkung. Bei Patienten mit krankheitsanregenden Untersuchungen wurde eine Positronen-Emissions-Tomographie (PET) durchgeführt, die 17 Variablen des Blutflusses ergab. Zehn klinische Variablen wurden aus medizinischen Unterlagen einschließlich Geschlecht, Alter, Rauchen und Diabetes erhalten.
Während einer durchschnittlichen Nachbeobachtungszeit von sechs Jahren traten 24 Herzinfarkte und 49 Todesfälle jeglicher Art auf. Die 85 Variablen wurden in einen maschinellen Lernalgorithmus namens LogitBoost eingegeben, der sie immer wieder analysierte, bis er die beste Struktur fand, um vorherzusagen, wer einen Herzinfarkt hatte oder starb.
Dr. Juarez-Orozco sagte:
“Der Algorithmus lernt schrittweise aus den Daten und ermittelt nach zahlreichen Analysenrunden die hochdimensionalen Muster, die verwendet werden sollten, um Patienten, die das Ereignis haben, effizient zu identifizieren. Das Ergebnis ist eine Bewertung des individuellen Risikos. “
Die Vorhersageleistung unter alleiniger Verwendung der zehn klinischen Variablen (ähnlich der gegenwärtigen klinischen Praxis) war bescheiden mit einer Fläche unter der Kurve (AUC) von 0,65 (wobei 1,0 ein perfekter Test und 0,5 ein zufälliges Ergebnis ist). Wenn PET-Daten hinzugefügt wurden, stieg die AUC auf 0,69. Die Vorhersageleistung erhöhte sich signifikant (p = 0,005), wenn CCTA-Daten zu klinischen Daten und PET-Daten hinzugefügt wurden, was eine AUC von 0,82 und eine Genauigkeit von mehr als 90% ergab.
Dr. Juarez-Orozco sagte:
“Ärzte sammeln bereits viele Informationen über Patienten – zum Beispiel über Patienten mit Brustschmerzen. Wir haben festgestellt, dass maschinelles Lernen diese Daten integrieren und das individuelle Risiko genau vorhersagen kann. Dies sollte es uns ermöglichen, die Behandlung zu personalisieren und letztendlich dazu zu führen.” bessere Ergebnisse für Patienten. “
Quelle: European Society of Cardiology / 12. Mai 2019
Authors: ESC Press Office
https://www.escardio.org/