KI aus Bern macht Herzrisiken genauer sichtbar
Zwei internationale Studien unter Leitung des Inselspitals zeigen, dass künstliche Intelligenz den Krankheitsverlauf bestimmter Herzpatientinnen und -patienten präziser einschätzen kann als etablierte Risikomodelle.
Ein Patient erhält nach einem Eingriff die gleiche Diagnose wie ein anderer. Trotzdem kann sich sein Gesundheitszustand völlig anders entwickeln. Genau an diesem Punkt setzt ein Forschungsteam des Inselspitals Bern und der Universität Bern an. In zwei aktuellen Studien haben die Forschenden untersucht, ob künstliche Intelligenz solche Unterschiede zuverlässiger erkennen kann.
Die Antwort fällt zumindest für zwei konkrete Herzerkrankungen positiv aus: Die neuen Modelle konnten Risiken genauer einschätzen als etablierte Verfahren. Die Ergebnisse wurden im Fachjournal The Lancet Digital Health beziehungsweise in JAMA Cardiology veröffentlicht. Die Studien sind damit noch kein Beleg dafür, dass KI heute bereits bessere medizinische Entscheidungen trifft. Sie zeigen vielmehr, welches Potenzial computergestützte Prognosen künftig haben könnten.
Viele Daten ergeben ein genaueres Bild
Bei der ersten Untersuchung ging es um Menschen mit einer schweren Verengung der Aortenklappe, die mit einer sogenannten TAVI behandelt wurden. Bei diesem minimalinvasiven Eingriff wird eine neue Herzklappe über einen Katheter eingesetzt.
Für das KI-Modell wurden unterschiedliche Informationen miteinander kombiniert – darunter klinische Angaben, Laborwerte, Elektrokardiogramme, Ultraschall- und CT-Untersuchungen sowie Daten zum Eingriff. Insgesamt flossen die Daten von 3991 Patientinnen und Patienten aus der Schweiz und Japan in die Untersuchung ein. Das Modell wurde mit 2985 Fällen aus der Schweiz entwickelt und validiert. Weitere 1006 Patientinnen und Patienten aus Japan dienten als externe Testgruppe.
Das Ergebnis: Bei der Vorhersage der langfristigen Sterblichkeit schnitten die KI-Modelle besser ab als herkömmliche chirurgische Risikoscores. Die durchschnittliche Genauigkeit über fünf Jahre verbesserte sich je nach Modell und Vergleich um etwa 10 bis 15 Prozent. Auch in der externen Testgruppe zeigte sich die bessere Leistung.
Für die Medizin ist gerade dieser externe Test wichtig. Ein Modell, das nur bei den Daten funktioniert, mit denen es entwickelt wurde, wäre wenig hilfreich. Dass die Berner Modelle auch bei einer unabhängigen Patientengruppe in Japan funktionierten, spricht für eine bessere Übertragbarkeit. Eine Garantie für den späteren Einsatz in anderen Spitälern ist das allerdings noch nicht.
Eine seltene Herzerkrankung im Fokus
Die zweite Studie beschäftigte sich mit der Transthyretin-Amyloid-Kardiomyopathie, kurz ATTR-CM. Dabei lagern sich Eiweissfasern im Herzmuskel ab. Die Erkrankung kann zu Herzschwäche führen und die Lebenserwartung verkürzen.
Für das neue Modell wurden die Daten von 850 Patientinnen und Patienten aus sechs Schweizer Zentren und der Medizinischen Universität Wien ausgewertet. Das Ziel war, das Risiko für Tod oder eine Hospitalisation wegen Herzschwäche einzuschätzen.
Auch hier schnitt das KI-Modell besser ab als die etablierten Mayo- und NAC-Risikoklassifikationen. Je nach Patientengruppe und Vergleich lag die Verbesserung der Vorhersageleistung bei rund zwei bis zehn Prozent; bei bestimmten Auswertungen erreichte der Unterschied bei der Drei-Jahres-Prognose bis zu 19 Prozent.
Besonders interessant ist dabei, dass die Forschenden nicht nur wissen wollten, wie gut die KI vorhersagt. Sie untersuchten auch, welche Faktoren für die jeweilige Prognose entscheidend waren. Das ist wichtig, weil eine medizinische KI nicht einfach eine Zahl ausgeben sollte, ohne dass Ärztinnen und Ärzte nachvollziehen können, wie diese zustande kommt.
Was bedeutet das für Patientinnen und Patienten?
Der mögliche Nutzen liegt vor allem in einer individuelleren Nachsorge. Heute werden Patientinnen und Patienten häufig anhand von Risikoscores eingestuft, die mit einer begrenzten Zahl von Faktoren arbeiten. KI kann wesentlich mehr Informationen gleichzeitig berücksichtigen und dabei komplexe Zusammenhänge erkennen.
Das könnte künftig dazu beitragen, besonders gefährdete Menschen enger zu überwachen oder Therapien früher anzupassen. Bei Personen mit einem niedrigeren Risiko könnten dagegen möglicherweise unnötige Kontrollen vermieden werden.
Das bedeutet allerdings nicht, dass eine KI künftig entscheidet, wer behandelt wird und wer nicht. Die Forschenden betonen ausdrücklich, dass die Technologie die ärztliche Beurteilung unterstützen und nicht ersetzen soll.
Noch kein KI-Alltag im Spital
Der vielleicht wichtigste Satz der beiden Studien steht deshalb am Ende: Die Modelle müssen sich erst im klinischen Alltag bewähren.
Beide Systeme wurden zwar bereits extern getestet und stehen für wissenschaftliche Zwecke als Online-Anwendungen zur Verfügung. Bevor daraus ein reguläres Instrument für die Patientenversorgung werden kann, braucht es jedoch weitere Untersuchungen mit anderen Patientengruppen und unter realen Bedingungen.
Auch die Frage nach der Zuverlässigkeit bleibt zentral. Medizinische Daten sind komplex, und Patientinnen und Patienten unterscheiden sich erheblich. Ein Modell kann bei einer bestimmten Gruppe sehr gut funktionieren und bei einer anderen schlechter. Deshalb ist eine sorgfältige externe und prospektive Validierung entscheidend.
Bern forscht an der Medizin von morgen
Für die Schweiz ist die Entwicklung trotzdem bemerkenswert. Die beiden Arbeiten zeigen, wie medizinische Forschung, Datenwissenschaft und künstliche Intelligenz zusammengeführt werden können. Das Inselspital und die Universität Bern gehören damit zu den Schweizer Zentren, die versuchen, KI nicht als Ersatz für Ärztinnen und Ärzte zu verstehen, sondern als zusätzliches Werkzeug.
Der entscheidende Schritt steht allerdings noch bevor: Aus einer guten Prognose in einer Studie muss eine zuverlässig funktionierende Anwendung im Alltag werden.
Die neuen Modelle können bereits genauer vorhersagen, welche Risiken bestimmte Herzpatientinnen und -patienten erwarten. Ob daraus tatsächlich eine bessere Behandlung wird, muss die klinische Praxis erst zeigen.
