Infarktrisiko voraussagen: Algorithmus ermittelt Verkalkung der Koronararterien

Autor: Dr. Andrea Wülker

Mittels Künstlicher Intelligenz lässt sich der CAC-Score prinzipiell aus EKG-Daten ermitteln. Mittels Künstlicher Intelligenz lässt sich der CAC-Score prinzipiell aus EKG-Daten ermitteln. © radub85 – stock.adobe.com

Der Kalk in den Koronararterien ist ein unabhängiger Risikomarker für Schlaganfälle. Da wäre es doch großartig, den Verkalkungsgrad anhand des EKGs und klinischer Parameter errechnen zu können?

Der Kalzifizierungsgrad der Koronararterien, der mittels Computertomographie erhoben wird, und der daraus berechnete CAC*-Score ist ein etabliertes Instrument für die kardiovaskuläre Risikoeinschätzung. Allerdings steht das Verfahren nicht flächendeckend zur Verfügung, zudem gibt es Bedenken wegen der damit verbundenen Strahlenbelastung.

Anhand der EKG-Daten auf den Koronarkalk schließen

In einer Pilotstudie untersuchte das Team um Dr. ­Peter ­Farjo vom West Virginia University Heart and Vascular Institute in Morgantown, ob Methoden des maschinellen Lernens bei der kardiovaskulären Risikostratifizierung helfen können. Eine selbstlernende Software könnte, so die Idee, leitlinienkonforme CAC-Score-Kategorien anhand klinischer Merkmale und der Oberflächen-EKG berechnen.

Die Wissenschaftler teilten 534 Probanden, bei denen der Koronararterienkalk per Computer­tomographie bestimmt werden sollte, in Trainings- (80 %) und Testsets (20 %) auf. Sie entwickelten zwei mathematische Modellierungen, und zwar eine für die Vorhersage eines CAC-Scores gleich Null („kein Koronarkalk“) und eine für Werte ≥ 400 („viel Koronarkalk“).

Beide Modelle erzielten gute Werte, sowohl für die Fläche unter der Kurve (84 % bzw. 87 %) als auch für Sensitivität (92 % bzw. 91 %) und Spezifität (70 % bzw. 75 %) des Algorithmus. Anhand von 87 Teilnehmern, für die eine invasive Koronar­angiographie angesetzt war, prüften die Wissenschaftler dann, wie zuverlässig das Rechenmodell CAC ≥ 400 im praktischen Einsatz ist. Unter Verwendung einer mittleren oder höheren Vortestwahrscheinlichkeit zur Vorhersage einer solch starken Verkalkung sagte die Modellierung das Vorliegen relevanter Koronar­stenosen, die Notwendigkeit von Revaskularisationen und Bypass­operationen sowie gravierende unerwünschte kardiovaskuläre Ereignisse (MACE**) während einer medianen Nachbeobachtungszeit von zwei Jahren recht gut voraus.

Der Algorithmus hat den Proof-of-Concept erbracht

Maschinelles Lernen könne Informationen aus einem Elektrokardiogramm und aus klinischen Variablen extrahieren und damit CAC**-Score-Kategorien vorhersagen, konstatieren die Autoren. Bei Patienten mit Verdacht auf Koronararterienerkrankung sei eine Risikostratfizierung mithilfe der Künstlichen Intelligenz demnach prinzipiell möglich.

* coronary artery calcium
** major adverse cardiovascular events

Quelle: Farjo PD et al. European Heart Journal – Digital Health 2020; 1: 51-61; DOI: 10.1093/ehjdh/ztaa008