Development and Multinational Validation of Artificial Intelligence-Enabled ASCVD Risk Stratification Using Electrocardiograms

Die Studie entwickelte und validierte einen KI-gestützten ECG-ASCVD-Risikostratifizierungsansatz, der in multinationalen Kohorten eine zuverlässige Vorhersage des Atherosklerose-Risikos ermöglicht und somit eine gezielte Screening-Strategie für Patienten ohne vollständige klinische Daten unterstützt.

Das Wesentliche

Das Herz-Check-up, das man schon hat: Ein KI-Entdecker für Herzgefahren

Stellen Sie sich vor, Ihr Herz ist wie ein Motor, der jeden Tag läuft. Um zu wissen, ob dieser Motor bald Probleme bekommt (wie ein Herzinfarkt oder Schlaganfall), müssen Ärzte normalerweise viele verschiedene Dinge messen: den Blutdruck, das Cholesterin im Blut, ob Sie rauchen, wie alt Sie sind und wie Ihre Ernährung aussieht. Das ist wie ein riesiger Werkzeugkasten, den man braucht, um die Gefahr einzuschätzen.

Das Problem:
In der echten Welt haben viele Menschen diesen Werkzeugkasten nicht vollständig. Sie gehen vielleicht zum Arzt, aber sie haben keine aktuellen Blutwerte dabei, oder sie wissen nicht genau, ob sie Raucher sind. Ohne alle diese Werkzeuge können die Ärzte die Gefahr oft nicht berechnen. Viele Menschen, die eigentlich Hilfe brauchen, werden übersehen, weil die Daten fehlen.

Die neue Idee (Die Studie):
Die Forscher aus Yale (USA) und Brasilien haben sich etwas Cleveres ausgedacht. Sie sagten sich: „Warum brauchen wir den ganzen Werkzeugkasten, wenn wir schon ein einfaches, kleines Werkzeug haben, das fast jeder hat?"

Dieses Werkzeug ist das EKG (Elektrokardiogramm). Das ist dieses kleine Gerät mit den Klebe-Pads auf der Brust, das den Herzschlag aufzeichnet. Es ist billig, schmerzlos und wird oft gemacht, auch wenn man gar keine Herzschmerzen hat.

Die Forscher haben eine Künstliche Intelligenz (KI) trainiert, die wie ein super-scharfer Detektiv ist. Diese KI hat gelernt, in den winzigen Wellenlinien des EKGs nach versteckten Hinweisen zu suchen, die uns sagen, wie hoch das Risiko für eine Herz-Kreislauf-Erkrankung ist.

Was haben sie genau gemacht?

Die Forscher haben drei verschiedene Versionen dieses „KI-Detektivs" entwickelt:

1. Der Profi (12-Leitungen): Er schaut sich das komplette, detaillierte EKG an (wie ein Experte, der den ganzen Motor genau untersucht).
2. Der Bild-Leser (EKG-Bild): Er schaut sich einfach das ausgedruckte Bild des EKGs an (wie jemand, der ein Foto eines Motors betrachtet und sofort weiß, ob etwas nicht stimmt).
3. Der Einsteiger (1-Leitung): Er schaut sich nur eine einzige Linie an (wie eine smarte Uhr oder ein kleines Gerät, das man zu Hause benutzt).

Was haben sie herausgefunden?

Die Forscher haben diese KI an über 450.000 Menschen getestet – in den USA, in Brasilien und in Großbritannien. Das ist wie ein riesiger, weltweiter Testlauf.

• Die Ergebnisse waren erstaunlich: Die KI konnte das Risiko für Herzinfarkte und Schlaganfälle fast genauso gut vorhersagen wie die traditionellen Methoden, die alle Blutwerte und Daten benötigen.
• Der große Vorteil: Die KI brauchte keine Blutwerte. Sie brauchte nur das EKG.
• Der „Zusatz-Effekt": Selbst wenn man die traditionellen Daten (wie Blutdruck und Cholesterin) schon hatte, konnte die KI noch zusätzliche Informationen liefern. Sie funktionierte wie ein zweites Paar Augen, das Dinge sieht, die das normale Auge übersieht.

Warum ist das wichtig? (Die Analogie)

Stellen Sie sich vor, Sie wollen herausfinden, ob ein Haus in Gefahr ist, einzustürzen.

• Der alte Weg: Man muss den Keller, das Dach, die Fundamente und die Elektrik einzeln prüfen. Wenn einem die Leiter fehlt oder der Keller verschlossen ist, kann man nichts sagen.
• Der neue Weg (diese Studie): Man schaut sich einfach das Fundament an (das EKG). Die KI sagt Ihnen: „Achtung, hier unten wackelt es!" – und das, obwohl Sie noch gar nicht wissen, wie das Dach aussieht.

Das bedeutet:

1. Für arme Länder: Man kann das Risiko auch dort prüfen, wo es keine teuren Bluttests gibt. Ein einfaches EGerät reicht.
2. Für alle anderen: Wenn Sie zum Arzt gehen und keine Blutwerte haben, kann die KI trotzdem warnen: „Hey, dieser Patient hat ein hohes Risiko, wir sollten sofort Blut abnehmen und handeln."

Fazit

Die Forscher haben bewiesen, dass das alte, einfache EKG – das oft nur genutzt wird, um zu sehen, ob das Herz jetzt gerade schlägt – auch eine Kristallkugel für die Zukunft sein kann.

Mit Hilfe von KI können wir aus diesen einfachen Linien lesen, wer in den nächsten Jahren ein Herzproblem bekommen könnte. Das ist ein riesiger Schritt, um mehr Menschen zu schützen, die sonst durch das Raster fallen würden. Es ist, als würde man aus einem alten, vergessenen Werkzeug plötzlich einen modernen Radar machen.

Technische Zusammenfassung

Technische Zusammenfassung: Entwicklung und multinationale Validierung eines KI-gestützten ASCVD-Risikotools mittels EKG

1. Problemstellung

Trotz der Verfügbarkeit klinischer Risikoscores für die Atherosklerotische Herz-Kreislauf-Erkrankung (ASCVD), wie z. B. den PREVENT-Score, wird die Risikobewertung in der Praxis oft nicht durchgeführt. Der Hauptgrund dafür ist der Mangel an erforderlichen Prädiktordaten (z. B. Laborwerte, detaillierte Anamnese), die für die Berechnung dieser Scores notwendig sind. Viele Personen, die ein hohes Risiko tragen, erhalten daher keine angemessene Therapie. Es besteht ein dringender Bedarf an skalierbaren, zugänglichen und kostengünstigen Methoden zur Risik stratifizierung, die auf bereits routinemäßig erhobenen Daten basieren. Das Elektrokardiogramm (EKG) ist eine solche ubiquitäre Untersuchung, deren prognostischer Wert durch künstliche Intelligenz (KI) noch nicht vollständig für die ASCVD-Risikovorhersage genutzt wurde, insbesondere im Vergleich zu modernen klinischen Scores oder bei Nutzung einfacherer EKG-Formate (Bilder, Einzelkanal).

2. Methodik

Die Studie entwickelte und validierte eine Familie von KI-Modellen namens ECG-ASCVD, die auf Deep-Learning-Architekturen basieren.

• Datenquellen:
  • Entwicklung & Interne Validierung: Elektronische Gesundheitsakten (EHR) des Yale New Haven Health Systems (YNHHS, USA), verknüpft mit einem staatlichen Sterberegister.
  • Externe Validierung: Zwei unabhängige prospektive Kohorten: die Brazilian Longitudinal Study of Adult Health (ELSA-Brasil) und die UK Biobank (UKB).
• Kohorten:
  • Entwicklungskohorte: 363.788 Erwachsene (30–79 Jahre).
  • Testkohorten: 83.917 (YNHHS), 10.934 (ELSA) und 54.166 (UKB) Personen ohne vorbestehende ASCVD.
• Modellarchitekturen: Es wurden drei Varianten entwickelt, die alle Alter und Geschlecht via "Decision Fusion" integrieren:
  1. ECG-ASCVD-12: Ein 1D-Residual-Convolutional-Neural-Network (1D-ResNet), trainiert auf Rohdaten der 12-Kanal-Signale.
  2. ECG-ASCVD-IMAGE: Ein auf Vision-Transformer-Basis (BEiT) feinabgestimmtes Modell, trainiert auf EKG-Bildern.
  3. ECG-ASCVD-1: Ein 1D-ResNet, trainiert ausschließlich auf dem Signal des Ableitung 1 (Lead-1), um Wearable-Geräte zu adressieren.
• Training: Die Modelle wurden zunächst als Autoencoder vortrainiert (zur Rekonstruktion von Wellenformen aus verrauschten Daten), um die Robustheit und Generalisierbarkeit zu erhöhen, und anschließend mit einem zeitbasierten Lernziel (Time-to-Event) für die Vorhersage von ASCVD-Events feinabgestimmt.
• Vergleichsgröße: Die Leistung wurde gegen den aktuellen klinischen Standard PREVENT-Score (Predicting Risk of Cardiovascular Disease EVENTs) abgeglichen.
• Statistik: Bewertung erfolgte mittels Harrell's C-Index (Diskriminierung) und adjustierten Hazard Ratios (unabhängige Assoziation) in Cox-Proportional-Hazard-Modellen.

3. Wichtige Beiträge

• Erste Bildbasierte Validierung: Dies ist die erste Studie, die ein tiefes Lernmodell auf Basis von EKG-Bildern (statt nur Rohsignale) für die ASCVD-Risikovorhersage entwickelt und über verschiedene Populationen hinweg validiert hat.
• Vergleich mit PREVENT: Erster direkter Vergleich eines KI-EKG-Scores mit den neuen PREVENT-Gleichungen (die die veralteten PCEs ersetzen).
• Wearable-Tauglichkeit: Untersuchung der Machbarkeit von Risikovorhersagen basierend auf nur einem EKG-Kanal (Lead-1), was den Einsatz auf tragbaren Geräten (Smartwatches, Handhelds) ermöglicht.
• Skalierbarkeit: Demonstration, dass EKG-Daten, die oft verfügbar sind, wenn andere Risikofaktoren fehlen, als effektiver Filter für gezielte Screenings dienen können.

4. Ergebnisse

• Diskriminierende Leistung (C-Index):
  • ECG-ASCVD-12: Zeigte eine generalisierbare Leistung mit C-Indices zwischen 0,684 und 0,746 über alle Kohorten hinweg.
  • ECG-ASCVD-IMAGE: Leistung war nahezu identisch zu den Signal-basierten Modellen (C-Index: 0,673–0,748).
  • ECG-ASCVD-1: Zeigte eine etwas geringere, aber immer noch robuste Leistung (C-Index: 0,671–0,735).
  • Im Vergleich zum PREVENT-Score (C-Index: 0,696–0,782) lagen die KI-Modelle in den meisten Szenarien nahe oder erreichten vergleichbare Werte, insbesondere in der YNHHS-Kohorte.
• Unabhängige Prädiktion: Auch nach Adjustierung für den PREVENT-Score blieben die EKG-basierten Scores signifikant mit dem ASCVD-Risiko assoziiert (adjustierte Hazard Ratios pro Standardabweichung: 1,23 bis 1,34). Dies zeigt, dass das EKG zusätzliche prognostische Informationen liefert, die über traditionelle Risikofaktoren hinausgehen.
• Simulierte Implementierung: In einer Simulation mit 100.000 Erwachsenen zeigte sich, dass nur 12,5 % der Bevölkerung alle notwendigen Daten für einen PREVENT-Score hatten. Ein Großteil der Hochrisikopatienten fehlt diese Daten. Das ECG-ASCVD-Modell könnte jedoch bei Personen ohne vollständige PREVENT-Daten eingesetzt werden, um Hochrisikopatienten zu identifizieren (bei 80 % Sensitivität würden ca. 51 % der Population positiv getestet, die 80 % der zukünftigen Ereignisse beherbergen).

5. Bedeutung und Fazit

Die Studie belegt, dass KI-gestützte Analysen von EKGs (sowohl als Signale, Bilder als auch Einzelkanal) eine robuste, skalierbare und kosteneffiziente Methode zur ASCVD-Risikobewertung darstellen.

• Klinische Relevanz: Das Tool kann als "Pre-Screening"-Mechanismus dienen, um Patienten zu identifizieren, die eine formale Risikobewertung benötigen, insbesondere in Settings, wo Laborwerte fehlen oder nicht verfügbar sind.
• Zukunftsperspektive: Die Ergebnisse unterstützen die Idee, dass routinemäßige EKG-Screenings bei asymptomatischen Personen ähnlich etabliert werden könnten wie Blutdruckmessungen.
• Limitationen: Die Studie weist auf potenzielle Überanpassung in der UKB-Kohorte hin und nutzt ICD-Codes für das Outcome-Labeling, was jedoch der Methodik der PREVENT-Entwicklung entspricht.

Zusammenfassend bietet das ECG-ASCVD-Toolkit einen pragmatischen Ansatz, um die Lücke in der kardiovaskulären Prävention zu schließen, indem es die weit verbreitete EKG-Technologie nutzt, um Risikopatienten zu finden, die sonst unentdeckt blieben.