Development and Validation of a Machine Learning-Based Prediction Model for Atrial Fibrillation in Hospitalized Patients with Coronary Heart Disease and Diabetes Mellitus: A Retrospective Study

Im menschlichen Körper ist das Herz eine unermüdliche Pumpe, doch wie jede komplexe Maschine ist es anfällig für Verschleiß und Abnutzung, insbesondere wenn andere Systeme unter Stress stehen. Zwei der häufigsten Erkrankungen, die dieses System belasten, sind die koronare Herzkrankheit, bei der sich die die Herzmuskulatur versorgenden Arterien verengen, und Diabetes, eine Stoffwechselstörung, die die Art und Weise stört, wie der Körper Zucker verarbeitet. Wenn diese beiden Erkrankungen zusammen auftreten, erzeugen sie eine gefährliche Synergie, die das Risiko für eine dritte, oft stille Bedrohung signifikant erhöht: das Vorhofflimmern. Dies ist ein chaotischer Rhythmus, bei dem die oberen Kammern des Herzens zittern, anstatt gleichmäßig zu schlagen, ein Zustand, der zu Schlaganfall oder Herzinsuffizienz führen kann. Für Ärzte bestand die Herausforderung lange darin, zu identifizieren, welche Patienten mit sowohl Herzkrankheit als auch Diabetes am wahrscheinlichsten diesen unregelmäßigen Rhythmus entwickeln würden, bevor er zuschlägt, um eine frühzeitige Intervention statt einer Notfallreaktion zu ermöglichen.

Ein Forscherteam am Chongqing Emergency Medical Center setzte sich zum Ziel, dieses Rätsel zu lösen, indem es rückblickend in die Krankenakten von über zweitausend Patienten blickte. Sie sammelten Daten von Personen, die zwischen 2017 und 2025 im Krankenhaus aufgenommen wurden und bereits mit sowohl koronarer Herzkrankheit als auch Diabetes lebten. Die Forscher teilten diese Patienten in zwei Gruppen auf: diejenigen, die während ihres Aufenthalts Vorhofflimmern entwickelten, und diejenigen, die es nicht taten. Durch den Vergleich der beiden Gruppen suchten sie nach subtilen Unterschieden in den Blutwerten, Herzmessungen und der Patientengeschichte, die als Warnsignale dienen könnten. Anstatt sich auf einen einzelnen Test zu verlassen, verwendeten sie eine hochentwickelte Computermethode, die als maschinelles Lernen bekannt ist. Dieser Ansatz ermöglicht es einem Computer, durch gewaltige Mengen an Informationen zu sieben, um komplexe Muster zu finden, die dem menschlichen Auge entgehen könnten, ganz so, wie ein erfahrener Mechaniker ein spezifisches Klappern in einem Motor hören kann, das auf ein Problem hinweist, lange bevor das Auto liegen bleibt.

Die Studie analysierte eine breite Palette von Datenpunkten, von der Größe der Herzkammern bis hin zu den Konzentrationen spezifischer Proteine und Mineralien im Blut. Nach dem Testen mehrerer verschiedener Computer-Algorithmen fanden die Forscher heraus, dass eine Methode, genannt Random-Forest-Modell, weitaus überlegen bei der Vorhersage war, wer den unregelmäßigen Rhythmus entwickeln würde. Dieses Modell erreichte ein hohes Maß an Genauigkeit und identifizierte das Risiko in der überwiegenden Mehrheit der Fälle korrekt. Der Computer lernte, dass die wichtigsten Warnsignale nicht nur das Vorhandensein der Herzkrankheit oder des Diabetes selbst waren, sondern eine spezifische Kombination von Faktoren. Dazu gehörten das Alter des Patienten, die physischen Dimensionen der oberen Herzkammern sowie eine Mischung aus Blutmarkern, die mit Entzündungen, Ernährung und dem Elektrolythaushalt zusammenhängen.

Insbesondere identifizierte das Modell acht Schlüsselindikatoren, die zusammen ein klares Bild des Risikos zeichneten. Höheres Alter und größere Dimensionen der linken und rechten oberen Herzkammern waren starke Prädiktoren, was die physische Belastung widerspiegelt, die diese Zustände auf die Struktur des Organs ausüben. Die Blutwerte von Präalbumin, einem Protein, das den Ernährungsstatus signalisiert, waren ebenfalls entscheidend; niedrigere Werte deuteten auf einen unter Stress stehenden Körper hin. Ebenso erwies sich das Verhältnis von weißen Blutkörperchen zu Albumin, ein Maß dafür, wie viel Entzündung im Verhältnis zu den Reserven des Körpers vorhanden war, als ein leistungsstarkes Signal. Weitere Faktoren waren die Spiegel von Kalzium und Natrium im Blut, die für die elektrischen Signale des Herzens essenziell sind, sowie ein spezifisches Enzym namens HBDH, das Stress am Herzmuskel anzeigen kann.

Um sicherzustellen, dass dieses Computermodell nicht nur eine „Black Box“ war, die bloße Vermutungen anstellt, verwendeten die Forscher eine Technik, um genau zu erklären, wie es zu seinen Schlussfolgerungen gelangte. Sie fanden heraus, dass das Modell diese acht Faktoren für jeden Patienten unterschiedlich gewichtete und so ein personalisiertes Risikoprofil erstellte. Für eine Person mag die Größe ihrer Herzkammern der primäre Treiber des Risikos sein, während es für eine andere eine Kombination aus schlechter Ernährung und hoher Entzündung sein könnte. Diese Fähigkeit, die Vorhersage in verständliche Teile zu zerlegen, bedeutet, dass Ärzte auf einen spezifischen Patienten blicken und genau sehen können, welche Faktoren ihn in Richtung Gefahr treiben. Die Studie legt nahe, dass Kliniker durch den Einsatz dieses Werkzeugs Hochrisikopatienten effektiver screenen, sie genauer überwachen und potenziell Behandlungen früher beginnen können, um das Auftreten von Vorhofflimmern zu verhindern.

Die Forscher betonten sorgfältig, dass ihre Ergebnisse aus einem einzelnen Krankenhaus stammen und das Modell an Patienten an anderen Standorten getestet werden muss, um seine Zuverlässigkeit zu bestätigen. Dennoch bieten die Ergebnisse einen vielversprechenden neuen Weg, um ein häufiges und gefährliches medizinisches Problem zu betrachten. Durch die Kombination von Routine-Bluttests und Standard-Herzuntersuchungen mit fortgeschrittener Computeranalyse zeigt die Studie, dass es möglich ist, die Warnzeichen für Vorhofflimmern bei Patienten mit Herzkrankheit und Diabetes zu erkennen, lange bevor der Zustand lebensbedrohlich wird. Dieser Ansatz bewegt die Medizin weg von einem Einheitsansatz hin zu einer präziseren, personalisierten Strategie, um das Herz im Rhythmus zu halten.