Maschinell ermittelte Algorithmen können das Herzinfarktrisiko etwas genauer voraussagen als Ärzte. Dies publizierte jetzt eine Forschergruppe um Stephen F. Weng von der University of Nottingham in Großbritannien (1).
Die Wissenschaftler verglichen das Vorhersagepotential von vier selbst lernenden Verfahren der künstlichen Intelligenz (Random Forest, logistische Regression, Gradient Boosting und neuronale Netze) mit den Prognosen der Anwendung eines etablierten Risikorechners des American College of Cardiology und der American Heart Association (ACC/AHA). Geprüft am Verlauf von elektronisch dokumentierten Krankengeschichten bei mehr als 80.000 Patienten aus britischen Hausarztpraxen, waren die vier maschinell ermittelten Risikorechner doppelt so erfolgreich wie der manuell erstellte.
So konnten Herzinfarkte innerhalb der nächsten zehn Jahren mit Hilfe künstlicher Intelligenz genauer vorhergesagt werden und falsche Prognosen häufiger vermieden werden. Als besonders leistungsfähig erwies sich die Anwendung neuronaler Netze, ein Verfahren der künstlichen Intelligenz, das schon in der PROCAM-Studie erfolgreich eingesetzt wurde (2;3).
Wissenschaftliche Details
Ein Herzinfarkt kann lediglich mit einer gewissen Wahrscheinlichkeit prognostiziert werden, sodass immer ein Restrisiko in der Vorhersage verbleibt. Es werden zum einen einige Herzrisikopatienten übersehen, zum anderen erhalten Personen unter Umständen eine ungünstige Prognose, die sich später nicht bestätigt.
Herzrisiko-Rechner unterliegen daher einer ständigen Überprüfung und Überarbeitung. Selbstlernende Maschinen (künstliche Intelligenz) bieten eine Möglichkeit, die Genauigkeit von medizinischen Prognosen zu verbessern. Dieser Nachweis gelang unter anderem im Jahr 2002 im Rahmen der Münster Heart Study (PROCAM), in der neuronale Netze innovativ erfolgreich eingesetzt wurden, um den PROCAM-Risiko-Score zu verfeinern. Aufgrund der der PROCAM-Studie zugrundeliegenden, deutschen Studienpopulation wird dieser Score in Deutschland nach wie vor bevorzugt angewendet.
Eine britische Wissenschaftlergruppe hat jetzt zusätzlich zu neuronalen Netzen noch drei weitere selbstlernende Verfahren der künstlichen Intelligenz (Random Forest, logistische Regression, Gradient Boosting) geprüft, um ihr Potential zur präzisen Vorhersage eines Herzinfarktes zu testen.
Die vier Verfahren wurden zunächst mithilfe der elektronischen Patientendaten von 295.267 Probanden aus 900 britischen Hausarztpraxen darauf trainiert, Risikospektren zu erkennen und auszuwerten. Im Ergebnis entstanden vier verschiedene Herzrisiko-Scores, die 30 Einflussfaktoren auf das Herzinfarktrisiko identifizieren und miteinander kombinieren. Das sind dreimal mehr Einflussfaktoren als in gängigen Risiko-Rechnern berücksichtigt werden. Die Top 10 der Risikofaktoren der Algorithmen zur Vorhersage einer kardiovaskulären Erkrankung sind in Abbildung 1 dargestellt.
Abbildung 1: Die Top 10 der Risikofaktoren der Algorithmen zur Vorhersage kardiovaskulärer Erkrankungen mit absteigender Relevanz (1)
Alle vier Verfahren der künstlichen Intelligenz sagten das Risiko, einen Herzinfarkt innerhalb von 10 Jahren zu erleiden, genauer voraus, als es mit dem ACC/AHA-Rechner gelang. Auch Fehler in der Vorhersage wurden häufiger vermieden (1). Am besten schnitt die Anwendung von neuronalen Netzen mit einer 3,6 % präziseren Vorhersage ab, gefolgt von Gradient Boosting (3,3 %), der logistischen Regression (3,2 %) und von Random Forest (1,7 %). Verfahren der künstlichen Intelligenz zur Risikovorhersage werden in Zukunft in der ärztlichen Praxis an Bedeutung gewinnen.
Zum Weiterlesen
(1) S.F. Wenig et al. (2017): Can machine-learning improve cardiovascular risk prediction using routine clinical data? In: PLoS ONE, Vol. 12, Nr. 4, e0174944. Online abrufbar unter https://doi.org/10.1371/journal.pone.0174944
(2) G. Assmann, P. Cullen, H. Schulte (2002): Simple scoring scheme for calculating the risk of acute coronary events based on the 10-year follow-up of the prospective cardiovascular Muenster (PROCAM) study. In: Circulation, Vol. 105, Nr. 3, S. 310-5. Online abrufbar unter https://www.ncbi.nlm.nih.gov/pubmed/11804985
(3) R. Voss et al. (2002): Prediction of risk of coronary events in middle-aged men in the Prospective Cardiovascular Muenster Study (PROCAM) using neural networks. In: International Journal of Epidemiology, Vol. 31, Nr. 6, S. 1253-62; Diskussion S. 1262-64. Online abrufbar unter https://www.ncbi.nlm.nih.gov/pubmed/12540731