{"id":455,"date":"2024-04-22T09:55:56","date_gmt":"2024-04-22T07:55:56","guid":{"rendered":"https:\/\/www.uni.lu\/lcsb-de\/?post_type=news&p=455"},"modified":"2025-02-17T15:40:42","modified_gmt":"2025-02-17T14:40:42","slug":"herzrhythmusstoerungen-30-min-vorhersagen","status":"publish","type":"news","link":"https:\/\/www.uni.lu\/lcsb-de\/news\/herzrhythmusstoerungen-30-min-vorhersagen\/","title":{"rendered":"Herzrhythmusst\u00f6rungen 30 Minuten vor ihrem Auftreten vorhersagen"},"content":{"rendered":"\n
\n

Vorhofflimmern ist die weltweit h\u00e4ufigste Herzrhythmusst\u00f6rung, von der im Jahr 2019 rund 59 Millionen Menschen betroffen waren<\/a>. Dieser unregelm\u00e4\u00dfige Herzschlag ist mit einem erh\u00f6hten Risiko f\u00fcr Herzinsuffizienz, Demenz und Schlaganfall verbunden. Vorhofflimmern stellt somit eine erhebliche Belastung f\u00fcr die Gesundheitssysteme dar, weshalb seine Fr\u00fcherkennung und Behandlung ein wichtiges Ziel sind. Forscher des Luxembourg Centre for Systems Biomedicine<\/a> (LCSB) der Universit\u00e4t Luxemburg haben k\u00fcrzlich ein Modell entwickelt, das den \u00dcbergang von einem normalen Herzrhythmus zu Vorhofflimmern vorhersagen kann. Es warnt durchschnittlich 30 Minuten vor dem Beginn mit einer Genauigkeit von etwa 80 %. Diese Ergebnisse, die in der Fachzeitschrift Patterns<\/em> ver\u00f6ffentlicht wurden<\/a>, ebnen den Weg f\u00fcr die Integration in tragbare Technologien, die ein fr\u00fchzeitiges Eingreifen und bessere Behandlungsergebnisse f\u00fcr die Patienten erm\u00f6glichen k\u00f6nnen.<\/p>\n\n\n\n

Beim Vorhofflimmern schlagen die Herzvorh\u00f6fe unregelm\u00e4\u00dfig und sind nicht mehr mit den Herzkammern synchronisiert. Die R\u00fcckkehr zu einem regelm\u00e4\u00dfigen Rhythmus kann mehr oder weniger invasive Eingriffe erfordern: von der Anwendung eines Defibrilators, um das Herz wieder in einen normalen Sinusrhythmus zu bringen, bis hin zur Ver\u00f6dung eines bestimmten Bereichs, der f\u00fcr die fehlerhaften Signale verantwortlich ist. Wenn es gel\u00e4nge, eine Vorhofflimmerepisode fr\u00fch genug vorherzusagen, k\u00f6nnten die Patienten vorbeugende Ma\u00dfnahmen ergreifen, um einen stabilen Herzrhythmus aufrechtzuerhalten. Die derzeitigen Methoden, die auf der Analyse des Herzrhythmus und der Daten eines Elektrokardiogramms (EKG) beruhen, k\u00f6nnen Vorhofflimmern jedoch erst kurz vor Beginn erkennen, so dass nicht gen\u00fcgend Zeit f\u00fcr eine Fr\u00fchwarnung bleibt.

\u201cUnsere Arbeit weicht von diesem Ansatz ab und verwendet ein prospektiveres Vorhersagemodell\u201d, erkl\u00e4rt Prof. Jorge Goncalves<\/a>, Leiter der AI Modelling and Prediction Gruppe<\/a> am LCSB. \u201cWir haben Herzfrequenzdaten verwendet, um ein Deep-Learning-Modell zu trainieren, das die verschiedenen Phasen – Sinusrhythmus, Pr\u00e4-Vorhofflimmern und Vorhofflimmern – erkennen und die Wahrscheinlichkeit einer bevorstehenden Episode berechnen kann.\u201d N\u00e4hert sich das Vorhofflimmern, steigt die Wahrscheinlichkeit, bis sie einen bestimmten Schwellenwert \u00fcberschreitet und das Modell Alarm schl\u00e4gt.

Dieses Modell k\u00fcnstlicher Intelligenz mit dem Namen WARN (Warning of Atrial fibRillatioN) wurde anhand von 24-Stunden-Aufzeichnungen von 350 Patienten des Tongji-Krankenhauses (Wuhan, China) trainiert und getestet. Es warnt durchschnittlich 30 Minuten vor Beginn des Vorhofflimmerns und das mit hoher Genauigkeit. Im Vergleich zu fr\u00fcheren Methoden zur Vorhersage von Herzrhythmusst\u00f6rungen ist WARN das erste System, das fr\u00fchzeitig vor dem Auftreten von Herzrhythmusst\u00f6rungen warnt.<\/p>\n\n\n

\n \n
\n

\n<\/h2>\n\n\n\n
\n
\n
\n
\n \n\"\"\n <\/figure><\/div><\/div>\n\n\n\n
\n



\u201cEin weiterer interessanter Aspekt ist, dass unser Modell sehr leistungsf\u00e4hig ist, obwohl es nur auf den Zeitintervallen zwischen den Herzschl\u00e4gen basiert. Das hei\u00dft, es werden nur Herzfrequenzdaten ben\u00f6tigt, die von einfachen, erschwinglichen und leicht zu tragenden Herzfrequenzsensoren wie Smartwatches erfasst werden k\u00f6nnen\u201d, betont Dr. Marino Gavidia, Erstautor der Ver\u00f6ffentlichung, der im Rahmen seiner Doktorarbeit in der Systems Control Gruppe und der Doctoral Training Unit CriTiCS<\/a> an diesem Projekt gearbeitet hat .<\/p>\n\n\n\n