Kardiologie von morgen: Kardiale Bildgebung

 

DGK Herztage 2024 | Was wird zunehmend die Weiterbildung und den klinischen Alltag in der Kardiologie prägen? In der Young-DGK-Session „Kardiologie von morgen“ unter Leitung von PD Dr. Philipp Breitbart und Dr. Hannah Billig wurden aktuelle Trends diskutiert: kardiale Bildgebung, Digitalisierung, Ambulantisierung sowie Rahmenbedingungen in der ärztlichen Weiterbildung. Folgendes tut sich in der kardialen Bildgebung.

Von:

Martin Nölke

HERZMEDIZIN-Redaktion

 

04.10.2024

 

Bildquelle (Bild oben): Sina Ettmer Photography / Shutterstock.com

„Eine der wichtigsten technologischen Neuerungen in den letzten Jahren, die auch unsere Klinik verändern wird, ist das Photon-counting CT.“
Dr. Stefanie Werhahn, Charité in Berlin, zu Innovationen in der kardialen Bildgebung

In ihrem Vortrag widmete sich Dr. Stefanie Werhahn aktuellen Entwicklungen in der kardialen Bildgebung und ihrem Potenzial für die klinische Anwendung. Der Fokus lag auf vier Aspekten: Fortschritte in der Hardware, Anwendung von künstlicher Intelligenz (KI) zur Breitenversorgung, KI-Einsatz bei Screening und Risikoprädiktion sowie bildgebende Modalitäten zur Therapieentwicklung.

1. Bessere Hardware: Photon-counting CT

 

Die Photon-counting Computer-Tomographie kann die diagnostische Leistungsfähigkeit der Kardio-CT drastisch erhöhen, so Werhahn. Denn sie ermöglicht eine erhöhte Bildauflösung, einen besseren Weichteilkontrast und weniger Blooming-Artefakte durch Kalzifizierung oder Stents. So zeigte beispielsweise eine retrospektive Single-Center-Studie aus dem Journal of Cardiovascular Computed Tomography, dass bei Untersuchung mittels Photon-counting CT im Vergleich zu konventioneller CT signifikant seltener eine invasive Koronardiagnostik erforderlich war, vor allem bei Personen mit erhöhtem Koronarkalk (CACS ≥ 400).1

2. Breitere Versorgung durch KI-Einsatz

 

KI-Anwendungen sind bereits in der gesamten Prozesskette der kardialen Bildgebung präsent – von Bildaufnahme über Analyse bis Reporting, erklärte die Referentin. Um zu verdeutlichen, wie KI helfen kann, die Versorgung in der Breite zu verbessern, führte die Kardiologin zwei Beispiele aus der Echokardiographie an. So kann ein Deep-Learning-Algorithmus Untersuchende, die nicht im Echo geschult sind, bei der Bildakquisition unterstützen. Die KI liefert während der Untersuchung Echtzeitanweisungen zur optimalen Schallkopf-Positionierung. In rund 99 % der Fälle kann für einfache Parameter wie linksventrikuläre Größe und Funktion eine ausreichende Bildqualität erreicht werden.2


Eine weitere Studie, veröffentlicht in „Circulation“, nutzte Deep Learning zur automatisierten Erkennung und Klassifikation der Mitralklappeninsuffizienz anhand apikaler Vier-Kammer-Blicke.3 Dabei zeigte das Modell eine hohe Genauigkeit. Die beiden Beispiele sollen zeigen, dass KI zukünftig einen breiteren Zugang zur knappen Ressource Echokardiographie eröffnen könnte, so Werhahn.

3. Radiomics: KI bei Screening und Risikoprädiktion

 

Die Bildgebung ist von besonderer Bedeutung für das Screening und die Risikoprädiktion, sagte die Referentin und verwies beispielhaft auf das Late Gadolinium Enhancement im kardialen MRT zur Risikostratifizierung vor Device-Implantation. Hinsichtlich des Einsatzes von KI stellte Werhahn eine Studie vor, bei der zwei KI-Modelle kombiniert wurden, um aus nativen Thorax-CT-Bildern u. a. Kalzium-Score, linksatriale Volumen und linksventrikuläre Masse zu berechnen.4 Die Ergebnisse korrelierten signifikant mit der kardiovaskulären Mortalität und zeigen, dass sich auch aus primär nicht-kardiologischer Diagnostik durch KI Informationen ziehen lassen, die ein frühzeitiges kardiovaskuläres Screening ermöglichen – und damit auch eine frühzeitige Therapie.

4. Molecular Imaging identifiziert neue Therapieziele

 

Zum Abschluss erläuterte Werhahn eine Studie, die mittels Tracer in der Positronenemissionstomographie (PET) die Aktivität von Fibroblasten bei Aortenklappenstenose untersuchte.5 Es zeigte sich ein Zusammenhang zwischen Fibroblastenaktivität und Schweregrad der Erkrankung sowie dem linksventrikulären Remodeling. Diese molekulare Bildgebung kann als Grundlage für zukünftige Therapieansätze dienen und hebt das Potenzial hervor, Bildgebung über die reine Diagnostik hinaus zur Entwicklung spezifischer Behandlungen zu nutzen.

Diskussion

 

In der anschließenden Diskussion wurde die Rolle der KI in der Bildgebung, insbesondere im Zusammenhang mit der Ausbildung von Nachwuchs-Kardiologinnen und -Kardiologen, erörtert. Es wurde betont, dass die zunehmende KI-Unterstützung eine Chance bietet, die Ressourcen effizienter zu nutzen, jedoch auch weiterhin eine fundierte Ausbildung des ärztlichen Personals beispielsweise in der Echokardiographie sichergestellt werden sollte – durch Ausbildende vor Ort oder auch durch Weiterbildungsangebote bei der DGK.


Referenzen

 

  1. Simon, J. et al. (2024). Photon-counting detector CT reduces the rate of referrals to invasive coronary angiography as compared to CT with whole heart coverage energy-integrating detector. Journal of Cardiovascular Computed Tomography 18(1): 69-74.
  2. Narang, A.et al.(2021). Utility of a Deep-Learning Algorithm to Guide Novices to Acquire Echocardiograms for Limited Diagnostic Use. JAMA Cardiology 6(6): 624-632.
  3. Vrudhula, A. et al. (2024). High-Throughput Deep Learning Detection of Mitral Regurgitation. Circulation 150(12): 923-933.
  4. Miller, R. J. H. et al. (2024). Predicting mortality from AI cardiac volumes mass and coronary calcium on chest computed tomography. Nature Communications 15(1): 2747.
  5. Craig N. et al. Young Investigator Award CVI ESC Congress 2024. Valvular and myocardial fibroblast activation in aortic stenosis: a prospective positron emission tomography study.

Mehr zum Thema

Das könnte Sie auch interessieren

Medikamenten-Adhärenz: Wie effektiv sind Textnachrichten?

Ob Erinnerungs-SMS helfen können, die Einnahmetreue bei Medikamenten zu verbessern, untersuchte eine aktuelle Studie. Prof. Ulrich Laufs kommentiert.

Neue AHA-Leitlinie pAVK

AHA-Kongress 2024 | Guidelines: Die AHA/ACC-Guideline PAD (Peripheral Artery Disease) aus dem Jahr 2016 wurde aktualisiert. Kommentiert von Prof. C. Rammos.

Basic Science im Interview

Modelle des menschlichen Herzmuskels in der funktionellen medizinischen Forschung: Chancen und Herausforderungen. Mit Prof. P. Kohl.

Laden, bitte warten.
Diese Seite teilen