Forscher haben das Cardiac Sensing Foundation Model (CSFM) vorgestellt, ein KI-System, das auf Daten von 1,7 Millionen Personen trainiert wurde und traditionelle Methoden bei der Diagnose von Herzerkrankungen sowie der Prognose von Krankheitsverläufen übertrifft. Das bahnbrechende Modell, das heute in Nature Machine Intelligence beschrieben wurde, erreichte eine Genauigkeit von bis zu 96,7 % bei Vorhersagen in der Intensivmedizin und funktioniert nahtlos sowohl mit Krankenhaus-EKGs als auch mit Wearables, was einen bedeutenden Fortschritt in der KI-gestützten kardiologischen Versorgung darstellt.
Das neue System zeigte eine herausragende Leistung in Intensivpflegebereichen und erreichte eine Genauigkeitsrate von 96,7 % bei der Identifizierung von Fehlalarmen, verglichen mit nur 93,1 % bei herkömmlichen Methoden, so die in Nature Machine Intelligence veröffentlichte Studie. Bei der Vorhersage der Ein-Jahres-Sterblichkeit anhand brasilianischer Patientendaten erzielte das Modell eine Genauigkeit von 84,4 %, womit es herkömmliche Ansätze, die bei 81,6 % lagen, deutlich übertraf.
Jenseits der Anwendungen in der Intensivmedizin zeigte CSFM robuste diagnostische Fähigkeiten bei diversen kardiovaskulären Erkrankungen. Das System erreichte einen Macro-F1-Score von 0,677 für die Multi-Label-Krankheitsklassifikation auf Basis von Wearable-EKG-Daten und übertraf damit signifikant den Score von 0,634 der besten bestehenden Modelle.
Eine der bemerkenswertesten Eigenschaften des Modells ist seine Anpassungsfähigkeit an unterschiedliche medizinische Geräte und Einsatzszenarien. Das KI-System zeigte eine konstant starke Leistung, unabhängig davon, ob es Daten von klinischen 12-Kanal-EKGs oder einfachen Einkanal-Wearables analysierte. Bei der Anpassung von klinischen EKG-Systemen auf handelsübliche Wearables benötigte CSFM nur 10 % der üblichen Trainingsdaten, um die Leistung konventioneller Modelle zu erreichen, die auf vollständigen Datensätzen trainiert wurden.
Technologieübergreifende Vielseitigkeit
Das Forschungsteam unter der Leitung von Gu et al. verglich CSFM mit mehreren Deep-Learning-Architekturen, darunter ResNet1d und Inception1D, wobei das neue Modell durchweg überlegene Leistungen zeigte. Das System arbeitet nahtlos sowohl mit EKG-Signalen als auch mit Photoplethysmographie (PPG)-Daten von Smartwatches, was es für verschiedene Szenarien im Gesundheitswesen äußerst vielseitig macht.
CSFM bewies zudem hervorragende Fähigkeiten, Patientenmerkmale allein aus Herzsignalen abzuleiten. Das Modell wies geringere Fehlerraten bei der Vorhersage von Alter und BMI auf und erreichte eine höhere Genauigkeit bei der Geschlechtsbestimmung im Vergleich zu Modellen, die von Grund auf mit dem VitalDB dataset trainiert wurden.
Das System zeigte sogar die Fähigkeit, klinische Fragen zu EKG-Aufzeichnungen zu beantworten, und übertraf Baseline-Fusion-Transformer-Modelle im EKG-QA-Benchmark. Diese Fähigkeit könnte medizinischem Personal dabei helfen, komplexe kardiologische Daten schnell zu interpretieren.
Trotz der beeindruckenden Validierungsergebnisse weisen die Forscher darauf hin, dass noch keine direkten Vergleiche zwischen CSFM und menschlichen Ärzten durchgeführt wurden. Derartige Untersuchungen sowie prospektive klinische Studien sind wesentliche nächste Schritte, bevor die Technologie in realen medizinischen Einrichtungen eingesetzt werden kann.
Sources
- Nature Machine Intelligence
