KI nutzt Herzaufzeichnungen aus nächtlichen Schlafstudien, um künftiges kardiovaskuläres Risiko zu erkennen
KI erkannte in den Aufzeichnungen von Schlaflaboruntersuchungen über Nacht Anzeichen für künftige Herzerkrankungen, mit deutlichen Zusammenhängen zu Vorhofflimmern und Herzinsuffizienz.
Zusammenfassung
Herzaufzeichnungen, die während Schlafuntersuchungen erhoben werden, könnten mehr offenbaren als nur Schlafprobleme. Forschende trainierten ein Modell der künstlichen Intelligenz mit nächtlichen Herzaufzeichnungen und Schlafstadien von 15.809 Patientinnen und Patienten und testeten es anschließend in zwei unabhängigen Krankenhausgruppen mit insgesamt 22.386 Patientinnen und Patienten. Höhere Modellwerte standen im Zusammenhang mit einem größeren Risiko für Herzrhythmusstörungen, Schlaganfall, Herzinsuffizienz und Tod, selbst nach Berücksichtigung üblicher kardiovaskulärer Risikofaktoren und Schlafmessgrößen. Die stärksten Zusammenhänge zeigten sich bei Vorhofflimmern und Herzinsuffizienz. Die Ergebnisse zu Herzinfarkten fielen zwischen den Krankenhäusern weniger einheitlich aus. Die Befunde deuten darauf hin, dass vorhandene Daten aus Schlafuntersuchungen künftig dazu beitragen könnten, die kardiovaskuläre Überwachung zu steuern. Sie zeigen jedoch nicht, dass der Einsatz dieses Modells die Behandlungsergebnisse der Patientinnen und Patienten verbessert. Diese Zusammenfassung beruht ausschließlich auf dem Abstract, in dem mehrere Kennzahlen fehlen, die zur Beurteilung des klinischen Nutzens erforderlich sind.
Detaillierte Zusammenfassung
Schlafstudien zeichnen routinemäßig die elektrische Aktivität des Herzens auf, nutzen diese Signale aber oft kaum. Forschende untersuchten, ob künstliche Intelligenz aus diesen nächtlichen Aufzeichnungen Hinweise auf künftige Herzerkrankungen gewinnen kann. Eine bessere Risikoabschätzung könnte Ärztinnen und Ärzten helfen, Patienten zu identifizieren, die von einer engmaschigeren Überwachung und etablierten Strategien zur kardiovaskulären Prävention profitieren könnten.
Das Team passte ein neuronales Netz an, das ursprünglich darauf trainiert wurde, abnorme Herzrhythmen zu erkennen. Es kombinierte Herzaufzeichnungen mit nur einer Ableitung mit Informationen zu den Schlafphasen, um das Risiko über zehn Jahre abzuschätzen. Für das Training wurden 15.809 Patienten des Massachusetts General Hospital herangezogen. Die unabhängige Testung erfolgte an 9.810 Patienten des Emory University Hospital und 12.576 des Beth Israel Deaconess Medical Center. Die Endpunkte stammten aus Diagnosecodes in elektronischen Patientenakten.
Höhere Modellwerte waren mit Vorhofflimmern, Schlaganfall, Herzinsuffizienz und Tod assoziiert, auch nach Berücksichtigung der üblichen kardiovaskulären Risikofaktoren und mehrerer Schlafmessgrößen. Pro Anstieg des Scores um eine Standardabweichung war das Risiko (Hazard) für Vorhofflimmern in den beiden Validierungsgruppen das 2,03- bzw. 2,72-Fache des Ausgangswerts. Bei Herzinsuffizienz lag das Hazard beim 1,69- bzw. 2,33-Fachen, beim Tod beim 1,82- bzw. 1,65-Fachen.
Die Assoziationen mit Schlaganfall waren schwächer, mit Hazard Ratios von 1,19 und 1,40. Die Vorhersage von Herzinfarkten war weniger konsistent: Die Assoziation war an der Emory University signifikant, am Beth Israel jedoch nicht. Diese Ergebnisse legen nahe, dass vorhandene Aufzeichnungen aus Schlafstudien nützliche Informationen enthalten können, die über die Diagnose von Schlafstörungen hinausgehen. Ein höheres relatives Risiko bestimmt jedoch nicht die absolute Wahrscheinlichkeit, dass eine einzelne Person erkrankt.
Diese Beobachtungsanalyse kann nicht zeigen, dass der Einsatz des Modells die Versorgung verbessert oder kardiovaskuläre Ereignisse verhindert. Diagnosecodes können Endpunkte übersehen oder falsch klassifizieren, und Patienten, die zu Schlafstudien überwiesen werden, können sich von der Allgemeinbevölkerung unterscheiden. Das Abstract nennt keine Kalibrierungs- oder Diskriminationsmaße, die zur Beurteilung des klinischen Nutzens nötig wären. Diese Zusammenfassung beruht nur auf dem Abstract; vor einer routinemäßigen klinischen Anwendung sind die vollständige Methodik und weitere Validierungen erforderlich.
Wichtigste Erkenntnisse
- External validation included 22,386 patients across two hospitals, supporting associations beyond the training site.
- Each standard deviation increase in model score corresponded to atrial fibrillation hazard ratios of 2.03 and 2.72.
- Heart failure hazard ratios were 1.69 and 2.33 after adjustment for cardiovascular risk factors and sleep measurements.
- Heart attack associations differed across hospitals; one confidence interval included no association.
- The model may support future risk assessment, but improved patient outcomes and readiness for routine use remain unproven.
Methodik
Diese prospektive Vorhersagestudie auf Beobachtungsbasis... Correction: I must output only the final translation. Diese observationale Vorhersagestudie passte ein neuronales Netz zur Arrhythmie-Erkennung anhand nächtlicher Einkanal-EKGs und Schlafstadiendaten von 15.809 Patienten feinabgestimmt an. Die externe Validierung stützte sich auf zwei Klinikkohorten, wobei die Endpunkte über Diagnosecodes in der elektronischen Patientenakte erfasst wurden. Mit Cox-Modellen wurden die Zusammenhänge nach Adjustierung für kardiovaskuläre Risikofaktoren und Schlafmerkmale untersucht.
Studienlimitierungen
Diese Zusammenfassung basiert ausschließlich auf dem Abstract; die vollständige Methodik und detaillierte Ergebnisse zur Leistungsfähigkeit lagen nicht vor. Ergebnisse, die anhand von Diagnosecodes erfasst wurden, könnten falsch klassifiziert sein, und Patientengruppen aus Schlafkliniken sind möglicherweise nicht repräsentativ für die Allgemeinbevölkerung. Das Abstract macht keine Angaben zu Kalibrierung, Diskrimination oder zum Zusatznutzen gegenüber etablierten Risikoinstrumenten, und die Zusammenhänge mit Herzinfarkten waren zwischen den Validierungsstandorten uneinheitlich.
Hat dir diese Zusammenfassung gefallen?
Erhalte die neueste Longevity-Forschung jede Woche in deinen Posteingang.
E-Mail-Adresse zum Abonnieren eingeben: