Differenzialdiagnose bei Schwindel: Was Artificial Intelligence beitragen kann

Schwindel gehört zu den häufigsten Konsultationsgründen in der Medizin. Das fächerübergreifende Spektrum der Differenzialdiagnosen führt oft zu Problemen bei der korrekten Einordnung. Artificial Intelligence und maschinelles Lernen können hier durch datengetriebene Algorithmen unterstützen und die Erfassung wichtiger klinischer Zeichen als digitale Biomarker erleichtern. Der Artikel wird die aktuelle Evidenz zum Thema darstellen und kritisch diskutieren.

Abstract

Dizziness is one of the most common reasons for medical consultations. The interdisciplinary range of differential diagnoses often leads to difficulties in proper classification. Artificial Intelligence and machine learning can assist through data-driven algorithms and facilitate the collection of important clinical signs as digital biomarkers. The article will present and critically discuss the current evidence on the topic.

Kernaussagen

• „Schwindel“ ist keine Krankheitsentität, sondern ein Leitsymptom, das von Patienten wahlweise zur Beschreibung von Gleichgewichtsproblemen, Gangstörungen, Schwäche- oder Benommenheitsgefühlen, „Brain Fog“ oder Schwarzwerden vor Augen verwendet wird. Moderne Anamnesekonzepte berücksichtigen daher weniger die Qualität des Schwindels, sondern eher die Auslöse- und Verstärkungsfaktoren, die zeitliche Dynamik und Begleitsymptomatik.

• Etwa 80% der Differenzialdiagnosen im ärztlichen Alltag lassen sich auf folgende Krankheitsbilder herunterbrechen: gutartiger Lagerungsschwindel, funktioneller Schwindel, zentral-vestibulärer Schwindel, vestibuläre Migräne, Morbus Menière, uni- und bilaterale Vestibulopathie und Vestibularisparoxysmie.

• Durch maschinelles Lernen können klinische Merkmale identifiziert werden, die besonders trennscharf in der Differenzialdiagnostik dieser Krankheitsbilder sind.

• Eine klinische Herausforderung ist die Erfassung gefährlicher Ursachen eines akuten Schwindels (v.a. eines Schlaganfalls der hinteren Strombahn). Red Flags sind zentrale neurologische Ausfallserscheinungen, neuartige Kopfschmerzen, perakuter Symptombeginn ohne Trigger und ausgeprägte kardiovaskuläre Risiken. Zudem können klinische Zeichen, wie die HINTS-Regel, in der Differenzierung helfen.

• Verfahren der AI können im Rahmen kontrollierter Studien die Detektion eines Schlaganfalls als Ursache akuten Schwindels verbessern. Die Validität als diagnostisches Unterstützungssystem im klinischen Alltag wird derzeit untersucht.

• Mithilfe von Methoden der AI und des maschinellen Lernens können apparative Verfahren zur Erfassung von Augenbewegungen, Hör-, Stand- und Gangfunktion vereinfacht werden und für eine breitere Anwendung außerhalb des Labors optimiert werden, um in Zukunft ein vestibuläres Eventmonitoring zu ermöglichen.

• Wichtige Limitationen in der Anwendung von AI-Verfahren bei Schwindel liegen in der begrenzten Verfügbarkeit großer und einheitlicher Datenmengen („Big Data“).

Schlüsselwörter

Schwindel - vestibuläres System - Artificial Intelligence - digitale Biomarker

Keywords

vertigo - vestibular system - Artificial Intelligence - digital biomarkers

Publication History

Article published online:
06 November 2024

• Literatur

• 1 Neuhauser HK, Radtke A, von Brevern M. et al. Burden of dizziness and vertigo in the community. Arch Intern Med 2008; 168: 2118-2124
• 2 Schappert SM, Nelson C. National ambulatory medical care survey: 1995–96 summary. Vital Health Stat 13 1999; 142: i-vi
• 3 Cappello M, di Blasi U, Ducato G. et al. Dizziness and vertigo in a department of emergency medicine. Eur J Emerg Med 1995; 2: 201-211
• 4 Langhagen T, Albers L, Heinen F. et al. Period prevalence of dizziness and vertigo in adolescents. PLoS One 2015; 10: e0136512
• 5 Strupp M, Brandt T, Dieterich M. Vertigo – Leitsymptom Schwindel. Berlin: Springer; 2022. 3. Aufl.
• 6 Tarnutzer AA, Lee SH, Robinson KA. et al. ED misdiagnosis of cerebrovascular events in the era of modern neuroimaging: a meta-analysis. Neurology 2017; 88: 1468-1477
• 7 Eagles D, Stiell IG, Clement CM. et al. International survey of emergency physicians’ priorities for clinical decision rules. Acad Emerg Med 2008; 15: 177-182
• 8 Möhwald K, Bardins S, Müller HH. et al. Protocol for a prospective interventional trial to develop a diagnostic index test for stroke as a cause of vertigo, dizziness and imbalance in the emergency room (EMVERT study). BMJ Open 2017; 7: e019073
• 9 Ahmadi SA, Vivar G, Navab N. et al. Modern machine-learning can support diagnostic differentiation of central and peripheral acute vestibular disorders. J Neurol 2020; 267: 143-152
• 10 Filippopulos FM, Huppert D, Brandt T. et al. Computerized clinical decision system and mobile application with expert support to optimize management of vertigo in primary care: study protocol for a pragmatic cluster-randomized controlled trial. J Neurology 2020; 267: 45-50
• 11 Strobl R, Grözinger M, Zwergal A. et al. A set of eight key questions helps to classify common vestibular disorders – results from the DizzyReg patient registry. Front Neurol 2021; 12: 670944
• 12 Vivar G, Strobl R, Grill E. et al. Using Base-ml to learn classification of common vestibular disorders on DizzyReg registry data. Front Neurol 2021; 12: 681140
• 13 Yiu YH, Aboulatta M, Raiser T. et al. DeepVOG: Open-source pupil segmentation and gaze estimation in neuroscience using deep learning. J Neurosci Methods 2019; 324: 108307
• 14 Friedrich MU, Schneider E, Buerklein M. et al. Smartphone video nystagmography using convolutional neural networks: ConVNG. J Neurol 2023; 270: 2518-2530
• 15 Pradhan C, Wuehr M, Akrami F. et al. Automated classification of neurological disorders of gait using spatio-temporal gait parameters. J Electromyograph Kinesiol 2015; 25: 413-422
• 16 Krafczyk S, Tietze S, Swoboda W. et al. Artificial neural network: a new diagnostic posturographic tool for disorders of stance. Clin Neurophysiol 2006; 117: 1692-1698
• 17 Ippisch R, Jelusic A, Bertram J. et al. mVEGAS–mobile smartphone-based spatiotemporal gait analysis in healthy and ataxic gait disorders. Gait Posture 2022; 97: 80-85
• 18 Chen CH, Haley Lin HY, Wang MC. et al. Diagnostic accuracy of smartphone-based audiometry for hearing loss detection: meta-analysis. JMIR Mhealth Uhealth 2021; 9: e28378
• 19 Uncovska M, Freitag B, Meister S. et al. Patient acceptance of prescribed and fully reimbursed mHealth apps in Germany: an UTAUT2-based online survey study. J Med Syst 2023; 47: 14
• 20 Frey S, Kerkemeyer L. Acceptance of digital health applications in non-pharmacological therapies in German statutory healthcare system: Results of an online survey. Digit Health 2022; 8: 20552076221131142