Verfahren der künstlichen Intelligenz – eine Perspektive für die kardiovaskuläre Telemedizin?

Zusammenfassung

Geschätzte 150000–200000 herzinsuffiziente Patient*innen in Deutschland haben seit 2022 durch einen Beschluss des Gemeinsamen Bundesausschusses (G-BA) Anspruch auf eine telemedizinische Mitbetreuung. Aktuell sind KI-Anwendungen (KI: künstliche Intelligenz) in der kardiovaskulären Telemedizin für die Regelversorgung nicht zulässig. Die Anwendung von KI könnte jedoch helfen, die Vorhersagegenauigkeit der etablierten telemedizinischen Sensorik durch Mustererkennung unter Einbeziehung multipler Datenquellen zu verbessern. Zudem befinden sich neue KI-basierte Biomarker in der Entwicklung, um in der telemedizinischen Sensorik eingesetzt zu werden. Vielversprechend erscheint dabei der Ansatz der Stimmanalyse zur Erkennung einer pulmonalen Kongestion. KI-basierte Entscheidungsunterstützungssysteme könnten zukünftig dabei helfen, den Befundungsprozess im Telemedizinzentrum zu optimieren. Large-Language-Modelle bieten das Potenzial, zukünftig die Befunderstellung zu unterstützen. Die Forschung zur digitalen Medizin bedarf klarer Rahmenbedingungen, um neue KI-basierter Technologien im Gesundheitswesen in der Patientenanwendung prüfen zu können.

Abstract

An estimated 150000–200000 patients with chronic heart failure in Germany have been entitled to telemedical care since 2022 as a result of the decision of The Federal Joint Committee. Currently, artificial intelligence based applications are not permitted for standard care in cardiovascular telemedicine. The application of AI might help to improve the predictive accuracy of existing telemedical sensors through pattern recognition involving multiple data sources. Furthermore, new AI-based biomarkers are currently being developed for use in telemedical sensor technology. The approach of AI-based voice analysis to detect pulmonary congestion in heart failure seems very promising. AI-based decision support systems might help in future to optimize the reporting process in the telemedical center. Finally, large-language-models could support doctors to generate medical reports. Research in the field of digital medicine requires a precise framework in order to be able to test new AI-based technologies in healthcare in patient applications.

Was ist wichtig?

Künstliche Intelligenz könnte helfen, eine flächendeckende telemedizinische Mitbetreuung herzinsuffizienter Patient*innen bei begrenzten Ressourcen sicherzustellen.

KI-basierte Biomarker haben das Potenzial, die Qualität der telemedizinischen Versorgung zu verbessern.

Schlüsselwörter

Telemedizin - Herzinsuffizienz - Biomarker - Sprachanalyse - künstliche Intelligenz

Keywords

telemedicine - artificial intelligence - heart failure - biomarker - speech analysis

Publication History

Article published online:
20 November 2023

• Literatur

• 1 Scholte NTB, Gürgöze MT, Aydin D. et al. Telemonitoring for heart failure: a meta-analysis. Eur Heart J 2023; 44: 2911-2926
• 2 Gemeinsamer Bundesausschuss. Letzte Änderungen zu „Richtlinie Methoden vertragsärztliche Versorgung: Telemonitoring bei Herzinsuffizienz“ vom: 17.12.2020, in BAnz AT 30.03.2021. Accessed October 16, 2023 at: https://www.g-ba.de/beschluesse/4648/letzte-aenderungen/
• 3 Koehler F, Hindricks G. Is telemonitoring for heart failure ready after a journey longer than two decades?. Eur Heart J 2023; 44: 2927-2929
• 4 Bundesärztekammer (BÄK), Kassenärztliche Bundesvereinigung (KBV), Arbeitsgemeinschaft der Wissenschaftlichen Medizinischen Fachgesellschaften (AWMF). NationaleVersorgungsLeitlinie Chronische Herzinsuffizienz – Langfassung, 3. Auflage. Version 3. 2019 Accessed October 16, 2023 at: https://register.awmf.org/assets/guidelines/nvl-006l_S3_Chronische_Herzinsuffizienz_2021–09_01.pdf
• 5 Kassenärztliche Bundesvereinigung, GKV-Spitzenverband. Vereinbarung von Qualitätssicherungsmaßnahmen nach § 135 Abs. 2 SGB V zum Telemonitoring bei Herzinsuffizienz. 01.04.2022 Accessed October 16, 2023 at: https://www.kbv.de/media/sp/QS-V_TmHi.pdf
• 6 Hecker P, Steckhan N, Eyben F. et al. Voice Analysis for Neurological Disorder Recognition-A Systematic Review and Perspective on Emerging Trends. Front Digit Health 2022; 4: 842301
• 7 Wroge TJ, Özkanca Y, Demiroglu C. et al. Parkinson’s Disease Diagnosis Using Machine Learning and Voice. In: 2018 IEEE Signal Processing in Medicine and Biology Symposium (SPMB), Philadelphia, PA, USA. 2018: 1-7
• 8 Murton OM, Hillman RE, Metha DD. et al. Acoustic speech analysis of patients with decompensated heart failure: A pilot study. J Acoust Soc Am 2017; 142: El401
• 9 Maor E, Perry D, Mevorach D. et al. Vocal Biomarker Is Associated With Hospitalization and Mortality Among Heart Failure Patients. J Am Heart Assoc 2020; 9: e013359
• 10 Amir O, Abraham WT, Azzam ZS. et al. Remote Speech Analysis in the Evaluation of Hospitalized Patients With Acute Decompensated Heart Failure. JACC Heart Failure 2022; 10: 41-49
• 11 Unver S, Hardal U, Esertas K. et al. Objective analysis of voice changes in a hemodialysis session and its correlation with ultrafiltration. Ren Fail 2015; 37: 268-272
• 12 Projektseite der Telemed5000-Studie (online). Accessed October 16, 2023 at: www.telemed5000.de
• 13 Maor E, Sara JD, Orbelo DM. et al. Voice Signal Characteristics Are Independently Associated With Coronary Artery Disease. Mayo Clin Proc 2018; 93: 840-847
• 14 Golovchiner G, Glikson M, Swissa M. et al. Automated detection of atrial fibrillation based on vocal features analysis. J Cardiovasc Electrophysiol 2022; 33: 1647-1654
• 15 Mesleh A, Skopin D, Baglikov S. et al. Heart Rate Extraction from Vowel Speech Signals. J Comput Sci Technol 2012; 27: 1243
• 16 James AP. Heart rate monitoring using human speech spectral features. Hum Cent Comput Inf Sci 2015; 5: 33
• 17 Ploux S, Strik M, Ramirez FD. et al. Remote management of worsening heart failure to avoid hospitalization in a real-world setting. ESC Heart Fail 2023;
• 18 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: 65-69
• 19 Noseworthy PA, Attia ZI, Behnken EM. et al. Artificial intelligence-guided screening for atrial fibrillation using electrocardiogram during sinus rhythm: a prospective non-randomised interventional trial. Lancet 2022; 400: 1206-1212
• 20 Bridge J, Fu L, Lin W. et al. Artificial intelligence to detect abnormal heart rhythm from scanned electrocardiogram tracings. J Arrhythm 2022; 38: 425-431
• 21 Zernikow J, Grassow L, Gröschel J. et al. Anwendung von "large language models" in der Klinik. Die Innere Medizin 2023; 64: 1058-1064
• 22 Bundesministerium für Wirtschaft und Klimaschutz. Grünbuch Reallabore. Konsultation für ein Reallabore-Gesetz und ergänzende Maßnahmen. 2023 Accessed October 16, 2023 at: https://www.bmwk.de/Redaktion/DE/Downloads/G/gruenbuch-reallabore.pdf?__blob=publicationFile&v=10
• 23 SPD, Bündnis 90/Die Grünen, FDP. Koalitionsvertrag 2021–2025 zwischen der Sozialdemokratischen Partei Deutschlands (SPD), BÜNDNIS 90/DIE GRÜNEN und den Freien Demokraten (FDP). Accessed October 16, 2023 at: https://www.bundesregierung.de/resource/blob/974430/1990812/1f422c60505b6a88f8f3b3b5b8720bd4/2021–12–10-koav2021-data.pdf?download=1
• 24 Bundesministerium für Wirtschaft und Klimaschutz. Konzept One-Stop-Shop Reallabore. Accessed October 16, 2023 at: https://www.bmwk.de/Redaktion/DE/Downloads/J-L/konzept-oss-reallabore.html
• 25 Wrazen W, Gontarska K, Grzelka F. et al. Artificial Intelligence in Medicine: 21st International Conference on Artificial Intelligence in Medicine, AIME 2023, Portorož, Slovenia, June 12–15, 2023, Proceedings Portoroz, Slovenia. 2023