Deep phenotyping to integrate laboratory workflow in hypertrophic and dilated cardiomyopathy: an Italian exploratory study

Herzkrankheiten tragen oft einen verborgenen Code in unserer DNA. Zwei häufige Formen, bekannt als hypertrophe Kardiomyopathie und dilatative Kardiomyopathie, beinhalten, dass der Herzmuskel entweder zu dick oder zu schwach und gedehnt wird. Während Ärzte wissen, dass genetische Fehler häufig diese Zustände verursachen, ist das Auffinden des spezifischen Fehlers nicht immer unkompliziert. In vielen Fällen liefern Gentests unklare Ergebnisse, was Patienten und Familien ohne eine definitive Antwort zurücklässt. Diese Ungewissheit schafft eine schwierige Lücke in der Versorgung, da das Wissen um die exakte genetische Ursache Ärzten hilft, den zukünftigen Verlauf der Krankheit vorherzusagen und Familienmitglieder zu beraten. Um diese Lücke zu schließen, fragten sich Forscher schon lange, ob die physischen Anzeichen der Krankheit – die Art und Weise, wie das Herz auf einem Ultraschall aussieht oder wie es auf einem Elektromonitor schlägt – als eine Art Karte dienen könnten, um vorherzusagen, welche Patienten am wahrscheinlichsten eine klare genetische Antwort erhalten werden.

Ein Team von Wissenschaftlern aus drei italienischen Krankenhäusern ging mit dieser Idee mit einer großen Gruppe von Patienten an die Arbeit. Sie sammelten detaillierte Aufzeichnungen von 186 Personen mit der verdickten Herzerkrankung und 176 Personen mit der gedehnten Herzerkrankung. Für jede Person sammelten sie eine enorme Menge an Informationen, einschließlich Alter, Familienanamnese, Blutdruck sowie spezifischer Messwerte aus Herzscans und Elektromessungen. Sie verglichen diese physischen Details anschließend mit den Ergebnissen der Gentests der Patienten. Das Ziel war es zu sehen, ob ein Computer lernen kann, Muster in den physischen Daten zu erkennen, die auf ein klares genetisches Ergebnis gegenüber einem unklaren Ergebnis hindeuten würden.

Die Forscher nutzten fortschrittliche Werkzeuge des maschinellen Lernens, um die Daten zu durchforsten und nach Verbindungen zu suchen, die dem menschlichen Auge entgehen könnten. Sie fanden heraus, dass bestimmte physische Merkmale tatsächlich herausragten. Bei Patienten mit dem verdickten Herzen waren Faktoren wie die Breite der Hauptschlagader des Herzens, die Dicke der Hinterwand des Herzens und die Dauer des elektrischen Signals über den Brustkorb die stärksten Hinweise. Bei denjenigen mit dem gedehnten Herzen waren die Länge der elektrischen Pause zwischen den Schlägen und das Alter bei der Diagnose die aussagekräftigsten Anzeichen. Als das Team jedoch testete, wie gut diese Hinweise tatsächlich das Ergebnis für neue Patienten vorhersagen konnten, waren die Resultate bescheiden. Die Computermodelle konnten zwischen klaren und unklaren genetischen Ergebnissen besser unterscheiden als durch bloßes Raten, aber sie waren nicht leistungsstark genug, um als eigenständiges Diagnosetool verwendet zu werden.

Die Studie legt nahe, dass die physische Form und das Verhalten des Herzens zwar einige Hinweise auf die zugrunde liegende Genetik geben, aber kein vollständiges Bild ergeben. Die Forscher fanden heraus, dass spezifische Muster physischer Merkmale konsistent neben klaren genetischen Ergebnissen auftraten, aber diese Muster waren nicht stark genug, um die Notwendigkeit von Gentests zu ersetzen. Die Ergebnisse deuten darauf hin, dass die Betrachtung des gesamten Patienten – seine Symptome, seine Herzmesswerte und seine Familienanamnese – Ärzten helfen könnte zu entscheiden, welche Patienten am ehesten von einem Gentest profitieren würden, aber es kann ihnen die Antwort noch nicht allein liefern. Die Arbeit verdeutlicht, dass die Beziehung zwischen einem Menschens physischem Herzen und seinem genetischen Code komplex ist, und während die tiefe Beobachtung des Körpers wertvollen Kontext bietet, dient sie derzeit am besten als Begleiter zur genetischen Analyse statt als deren Ersatz.