KI-Modell erkennt Hochrisikopatienten mit Vorhofflimmern, bevor Symptome auftreten
Ein Machine-Learning-Tool, das routinemäßige Gesundheitsdaten auswertet, identifiziert Patienten mit erhöhtem Vorhofflimmern-Risiko, die mit etwa 8-fach höherer Wahrscheinlichkeit diagnostiziert werden – und ermöglicht so eine gezielte Schlaganfallprävention.
Zusammenfassung
Vorhofflimmern wird häufig erst nach einem Schlaganfall entdeckt. Forscher entwickelten FIND-AF 2.0, ein maschinelles Lernmodell auf Basis von Random Forest, das Alter, Geschlecht und 10 häufige Erkrankungen aus elektronischen Patientenakten nutzt, um vorherzusagen, wer innerhalb von sechs Monaten ein Vorhofflimmern entwickeln wird. Das Modell wurde an über 13 Millionen Patienten in fünf Ländern validiert und zeigte weltweit eine gute Leistungsfähigkeit. In einem prospektiven Test wurde bei Hochrisikopatienten während dreier Wochen EKG-Überwachung mit einem tragbaren Gerät mehr als achtmal häufiger Vorhofflimmern diagnostiziert als bei Niedrigrisikopatienten. Nahezu alle neu diagnostizierten Vorhofflimmerpatienten begannen anschließend eine Antikoagulationstherapie. In einem finnischen Register verursachte unbehandeltes Vorhofflimmern bei Hochrisikopersonen Schlaganfälle mit einer Rate von sechs pro hundert Patientenjahre – eine schwerwiegende und vermeidbare Krankheitslast. Dieser Ansatz könnte mithilfe vorhandener Gesundheitsdaten ein großflächiges, gezieltes Vorhofflimmern-Screening praktisch umsetzbar machen.
Detaillierte Zusammenfassung
Vorhofflimmern ist die häufigste Herzrhythmusstörung bei älteren Erwachsenen und ein wesentlicher Auslöser von Schlaganfällen – dennoch bleibt es häufig bis zu einem schwerwiegenden Ereignis unentdeckt. Eine frühzeitige Identifizierung, insbesondere bei Personen mit dem höchsten Schlaganfallrisiko, könnte Leben retten. Ziel dieser Studie war es, ein KI-gestütztes Screening-Tool zu entwickeln, zu validieren und prospektiv zu testen, um diejenigen Patienten zu finden, bei denen ein Screening am vielversprechendsten erscheint.
Die Forscher entwickelten FIND-AF 2.0, ein Random-Forest-Modell des maschinellen Lernens, das auf elektronischen Patientenakten trainiert wurde. Es verwendet lediglich Alter, Geschlecht und zehn häufige Komorbiditäten, um das Neuauftreten von Vorhofflimmern innerhalb von sechs Monaten vorherzusagen. Das Modell wurde in fünf Ländern validiert – im Vereinigten Königreich, Japan, Israel, Kanada und China – und umfasste über 13 Millionen Patienten. Es wurde zudem mit bestehenden Risiko-Scores, darunter CHA2DS2-VASc, verglichen.
Das Modell zeigte in allen Kohorten eine gute bis ausgezeichnete Trennschärfe, mit AUROCs zwischen 0,747 und 0,835. Es übertraf sowohl CHA2DS2-VASc als auch C2HEST und zeigte bei Männern wie Frauen gleichermaßen gute Ergebnisse. In einer prospektiven Studie mit 1.923 Teilnehmern an 15 klinischen Standorten wurde bei den von FIND-AF 2.0 als Hochrisiko eingestuften Personen Vorhofflimmern mit einer Rate von 4,5 % diagnostiziert, gegenüber lediglich 0,6 % bei Niedrigrisiko-Patienten – ein Odds Ratio von mehr als acht.
Die klinischen Implikationen sind erheblich. Unter den entdeckten Fällen betrug die mediane Vorhofflimmer-Last 33 %, und 96 % begannen eine Therapie mit oralen Antikoagulanzien. Die Analyse eines finnischen Registers zeigte, dass Hochrisiko-Patienten mit unbehandeltem Vorhofflimmern ischämische Schlaganfälle mit einer Rate von 6 Ereignissen pro 100 Patientenjahre erlitten – ein vermeidbares Ausmaß, wenn das Screening diese Personen früher erfasst.
Für langlebigkeitsorientierte Kliniker und Patienten zeigt diese Forschung, dass altersbedingtes kardiovaskuläres Risiko mithilfe vorhandener Daten proaktiv angegangen werden kann. Einschränkungen umfassen die Abhängigkeit von Daten auf Abstract-Ebene, mögliche Unterschiede in der Qualität elektronischer Patientenakten zwischen verschiedenen Gesundheitssystemen sowie die Notwendigkeit langfristiger Ergebnisstudien, um eine Schlaganfallreduktion durch gezieltes Screening zu bestätigen.
Wichtigste Erkenntnisse
- FIND-AF 2.0 achieved AUROCs of 0.75–0.84 across five countries, outperforming existing AF risk scores.
- High-risk patients were 8.5x more likely to be diagnosed with AF during 3-week ECG screening than low-risk patients.
- 96% of newly detected AF patients in high-risk group initiated oral anticoagulants, enabling stroke prevention.
- Untreated AF in high-risk patients caused ischemic stroke at 6 events per 100 patient-years in a Finnish registry.
- The model uses only age, sex, and 10 comorbidities from routine EHR data, making it broadly scalable.
Methodik
Forscher trainierten ein Random-Forest-Modell auf EHR-Daten von über 13 Millionen Patienten aus fünf Ländern und validierten es extern in jeder Population. Ein prospektiver Studienarm umfasste 1.923 Teilnehmer im Alter von 30 Jahren und älter mit erhöhtem Schlaganfallrisiko, die über drei Wochen hinweg vier EKG-Aufzeichnungen pro Tag mit einem Handgerät durchführten. Das Schlaganfallrisiko bei unbehandeltem Vorhofflimmern wurde anhand des finnischen FinACAF-Registers mit 229.565 Patienten mit Vorhofflimmern bewertet.
Studienlimitierungen
Das vollständige Dokument war nicht verfügbar; diese Zusammenfassung basiert ausschließlich auf dem Abstract. Die Qualität der EHR-Daten und die Kodierungspraktiken variieren zwischen den Gesundheitssystemen, was die Modellleistung beim realen Einsatz beeinflussen kann. Langfristige randomisierte Belege dafür, dass ein risikogesteuertes Screening die Schlaganfallraten tatsächlich senkt, sind weiterhin erforderlich.
Hat dir diese Zusammenfassung gefallen?
Erhalte die neueste Longevity-Forschung jede Woche in deinen Posteingang.
E-Mail-Adresse zum Abonnieren eingeben: