Früherkennung: Machine Learning in der kardiovaskulären Diagnostik

27.09.2024

Forschende der Technischen Universität Graz haben eine Methode entwickelt, um Herz-Kreislauf-Erkrankungen frühzeitig zu erkennen, bevor Symptome auftreten. Mit einem Machine-Learning-Modell, das elektrische Felder analysiert, lassen sich potenzielle Erkrankungen präzise feststellen. Diese Technologie könnte die Diagnostik verbessern und invasive Eingriffe reduzieren.

Bild: Bild aus einer Simulation eines elektrischen Felds vom Oberkörper und Herzen im Brustkorb eines Menschen; Copyright: arterioscope - TU Graz

In den Simulationen lassen sich Änderungen in den elektrischen Feldern genau analysieren.

Produkte und Aussteller zum Thema

Aussteller und Produkte zu diesem Thema finden Sie in der Datenbank der MEDICA:

Weitere spannende Beiträge zum Thema aus der MEDICA.de-Redaktion:

Herz-Kreislauf-Erkrankungen zählen weltweit zu den häufigsten Todesursachen. Sie werden oft erst diagnostiziert, wenn Symptome bereits fortgeschritten sind. Die Forschenden der TU Graz, Sascha Ranftl und Vahid Badeli, haben im Rahmen des Leadprojekts „Mechanics, Modeling and Simulation of Aortic Dissection“ eine neue Methode entwickelt, um diese Krankheiten frühzeitig zu erkennen. Diese Methode ermöglicht die Analyse von Veränderungen im kardiovaskulären System durch die Beobachtung von elektrischen Feldern.

Sascha Ranftl erklärt: „Das Grundprinzip ist: Jegliche Erkrankung, welche die kardiovaskuläre Mechanik verändert, wird auch das extern angelegte elektrische Feld auf eine bestimmte Art verändern. Das gilt für Arteriosklerose, Aortendissektion, Aneurysmen, Herzklappenfehler usw.“

Früherkennung durch digitale Zwillinge

Die Methode basiert auf der Analyse von elektrischen, optischen und Bioimpedanzsignalen, wie sie etwa durch ein EKG oder eine Smartwatch aufgezeichnet werden können. Diese Daten werden mit einem Machine-Learning-Modell ausgewertet, das Veränderungen erkennt, die auf mögliche Herz-Kreislauf-Erkrankungen hinweisen. Der Vorteil: Selbst subtile Abweichungen, die für Ärztinnen und Ärzte schwer zu erkennen sind, können durch das Modell identifiziert werden.

Das Modell wurde mit realen klinischen Daten sowie Simulationswerten des kardiovaskulären Systems trainiert und erreicht eine Genauigkeit von über 90 Prozent. So können die Forschenden den Grad der Arterienversteifung feststellen, ein Frühindikator für Aortendissektionen. Durch den Einsatz eines digitalen Zwillings, der den Zustand der Arterien simuliert, lässt sich der Krankheitsverlauf detailliert prognostizieren.

Interdisziplinäre Zusammenarbeit führt zum Erfolg

Der Erfolg dieser Forschung ist auf die enge Zusammenarbeit von Physikerinnen und Physikern sowie Elektrotechnikerinnen und Elektrotechnikern zurückzuführen. Durch die Kombination ihrer Fachrichtungen konnten die Forschenden den Zusammenhang zwischen mechanischen Veränderungen im kardiovaskulären System und den Auswirkungen auf elektrische Felder aufschlüsseln. Diese Erkenntnisse ermöglichen es, Herz-Kreislauf-Erkrankungen früher zu behandeln und möglicherweise invasive Operationen durch medikamentöse Therapien zu ersetzen.

Zukunftsaussichten

Die Forschenden arbeiten im Spin-off arterioscope der TU Graz weiter daran, die Genauigkeit ihrer Modelle zu verbessern und sie für die klinische Anwendung weiterzuentwickeln. Diese Forschung wird in den strategischen Feldern „Human & Biotechnology“ und „Information, Communication & Computing“ der TU Graz vorangetrieben.

MEDICA.de; Quelle: Technische Universität Graz

Mehr über die TU Graz unter: www.tugraz.at