Künstliche Intelligenz in der kardiovaskulären Medizin – Status und Perspektiven

Zusammenfassung

Die Menge medizinischen Wissens nimmt stetig zu. In noch größerem Ausmaß steigen jedoch Verfügbarkeit und Komplexität von Gesundheitsdaten aus elektronischen Patientenakten, Bildgebungsdaten oder genetischen Profilen bis hin zu Sensorikdaten einer Smartwatch. Eine Kernaufgabe ärztlichen Handelns besteht in der Synthese und Analyse aller verfügbaren Patientendaten. Diese übersteigen mittlerweile jedoch die Leistungsfähigkeit des menschlichen Gehirns und erfordern daher innovative Ansätze in den Bereichen der Informatik und Computerwissenschaften.

„Künstliche Intelligenz“ (KI) kann über eine Kombination von Algorithmen, Daten und Rechenleistung menschenähnliche kognitive Prozesse simulieren. Vor allem maschinelles Lernen (ML) hat erhebliches Potenzial in der kardiovaskulären Medizin. Die Befundinterpretation von EKG oder die Diagnose von Vorhofflimmern durch Smartwatches basieren beispielsweise auf dem Einsatz von ML.

Die weitere Entwicklung von künstlicher Intelligenz in der Medizin wird jedoch auch von neuen ethischen, datenschutzrechtlichen oder regulatorischen Herausforderungen begleitet. Ein transformativer Nutzen der künstlichen Intelligenz für die kardiovaskuläre Medizin wird jedoch erst durch das Überwinden der Herausforderungen sein volles Potenzial entfalten können.

Abstract

The amount of medical knowledge is constantly increasing. However, to an even greater extent, the availability and complexity of health data from electronic medical records, imaging data, genetic profiles or data from smartwatch sensors is increasing. A core task of the physician is to synthesize and analyze all available patient data. However, the available data exceeds the capacity of the human brain and, therefore, requires innovative approaches in the fields of informatics and computer science.

“Artificial intelligence” (AI) can simulate human-like cognitive processes via a combination of algorithms, data, and computing power. Machine learning (ML) in particular has significant impact in the field of cardiovascular medicine. For example, interpretation of ECG findings or diagnosis of atrial fibrillation by smartwatches is already based on ML techniques.

The further development of artificial intelligence in medicine, however, is also accompanied by new ethical, data protection or regulatory challenges. A transformative value of artificial intelligence for cardiovascular medicine will only be able to unfold its full potential by overcoming these challenges.

Was ist wichtig?

Maschinelles Lernen (ML), ein Teilbereich der künstlichen Intelligenz (KI), kann durch Analyse großer Gesundheitsdatensätze Muster erkennen, die Entscheidungsunterstützung in der Risikoprädiktion, Diagnostik und Therapie kardiovaskulärer Erkrankungen bieten.

Die rasante Entwicklung von KI-Anwendungen wird von technischen, ethischen und regulatorischen Herausforderungen begleitet werden, welche überwunden werden müssen, um die Gesundheitsversorgung besser, effizienter und zugänglicher zu gestalten.

Schlüsselwörter

Kardiologie - künstliche Intelligenz - maschinelles Lernen

Keywords

artificial intelligence - machine learning - cardiology

Publication History

Article published online:
20 November 2023

• Literatur

• 1 Hannun AY, Rajpurkar P, Haghpanahi M. et al. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network. Nat Med 2019; 25: 65-66
• 2 Attia ZI, Noseworthy PA, Lopez-Jimenez F. et al. An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm: a retrospective analysis of outcome prediction. Lancet 2019; 394: 861-867
• 3 Laumer F, Di Vece D, Cammann VL. et al. Assessment of Artificial Intelligence in Echocardiography Diagnostics in Differentiating Takotsubo Syndrome From Myocardial Infarction. JAMA Cardiol 2022; 7: 494-503
• 4 Lin A, Kolossváry M, Motwani M. et al. Artificial Intelligence in Cardiovascular Imaging for Risk Stratification in Coronary Artery Disease. Radiol Cardiothorac Imaging 2021; 3: e200512
• 5 Griffin WF, Choi AD, Riess JS. et al. Evaluation of stenosis on coronary CT angiography, comparison with quantitative coronary angiography and fractional flow reserve: a CREDENCE trial substudy. JACC Cardiovasc Imaging 2023; 16: 193-205
• 6 Bhuva AN, Bai W, Lau C. et al. A multicenter, scan-rescan, human and machine learning CMR study to test generalizability and precision in imaging bio- marker analysis. Circ Cardiovasc Imaging 2019; 12: e009214
• 7 Miyashita Y, Hitsumoto T, Fukuda H. et al. Predicting heart failure onset in the general population using a novel data-mining artifcial intelligence method. Sci Rep 2023; 13: 4352
• 8 Kwon JM, Kim KH, Jeon H. et al. Artificial intelligence algorithm for predicting mortality of patients with acute heart failure. PLoS One 2019; 14: e0219302
• 9 You J, Guo Y, Kang J. et al. Development of machine learning-based models to predict 10-year risk of cardiovascular disease: a prospective cohort study. Stroke Vasc Neurol 2023;
• 10 Corny J, Rajkumar A, Martin O. et al. A machine learning-based clinical decision support system to identify prescriptions with a high risk of medication error. J Am Med Inform Assoc 2020; 27: 1688-1694
• 11 Harskamp RE, De Clercq L. Performance of ChatGPT as an AI-assisted decision support tool in medicine: a proof-of-concept study for interpreting symptoms and management of common cardiac conditions (AMSTELHEART-2). medRxiv preprint 2023;
• 12 Koehler F, Koehler K, Deckwart O. et al. Telemedical Interventional Management in Heart Failure II (TIM-HF 2), a randomised, controlled Trial investigating the impact of telemedicine on unplanned cardiovascular hospitalisations and mortality in heart failure patients: study design and description of the intervention. Eur J Heart Fail 2018; 20: 1485-1493
• 13 Stehlik J, Schmalfuss C, Bozkurt B. et al. Continuous Wearable Monitoring Analytics Predict Heart Failure Hospitalization. The LINK-HF Multicenter Study. Circ Heart Fail 2020; 13: e006513
• 14 Maddox TM, Rumsfeld JS, Payne PRO. Questions for Artificial Intelligence in Health Care. JAMA 2019; 321: 31-32