Mit einer alternden Bevölkerung steigen Inzidenz und Prävalenz struktureller Herzerkrankungen weltweit an. Derzeit fehlt es jedoch an kosteneffektiven, sicheren und bevölkerungsnahen Screening-Methoden, sodass strukturelle Herzerkrankungen oft noch unerkannt bleiben und folglich nicht, oder erst in späteren Erkrankungsstadien, behandelt werden. Das KI-basierte Modell „EchoNext“ hat im klinischen Kontext bereits Erfolge bei der Detektion von strukturellen Herzerkrankungen anhand von EKG-Daten gezeigt, wurde jedoch bislang nicht im Rahmen eines bevölkerungsweiten Screenings untersucht.2 Das Ziel der präsentierten Arbeit ist neben der Prävalenz auch die Evaluation des EchoNext-KI-Modells zur Erkennung von strukturellen Herzerkrankungen in einer unselektierten Population.
Personen im Alter von 65 bis 85 Jahren wurden über Datenbanken von Apotheken aus über 5 US-Bundesstaaten rekrutiert. Nach Studieneinschluss erhielten die Teilnehmenden eine Echokardiografie sowie 12-Kanal EKG, die jeweils in der häuslichen Umgebung durchgeführt wurden. Das EchoNext-KI-Modell wurde anschließend auf den PREVUE-VALVE-Datensatz angewendet und mit dem ursprünglichen, krankenhausbasierten Testdatensatz verglichen.
Insgesamt wurden Echokardiografie- und EKG-Daten von 2.402 Personen (58 % weiblich, mittleres Alter 71 Jahre) analysiert. Die Prävalenz für strukturelle Herzerkrankungen lag bei 7,5 %. Das EchoNext-Modell zeigte eine moderate Performance (AUROC 71,0, Sensitivität/Spezifität jeweils 67 %, PPV 14 %, NPV 96 %) zur Erkennung von strukturellen Herzerkrankungen im PREVUE-VALVE-Bevölkerungsdatensatz. Im Vergleich dazu ergab sich im krankenhausbasierten Datensatz eine bessere Vorhersageleistung (AUROC 82,5).
Subgruppenanalysen zeigten eine verbesserte Modellperformance bei Personen mit EKG-Veränderungen oder eingeschränktem allgemeinen Gesundheitszustand. Die Autorinnen und Autoren schlussfolgerten, dass die moderate Performance in der unselektierten Population auf Unterschiede im Krankheitsspektrum zurückzuführen ist: Während im klinischen Setting häufiger fortgeschrittene Krankheitsstadien vorliegen, sind diese in der Allgemeinbevölkerung oft weniger ausgeprägt, was die Differenzierbarkeit reduziert.
Die Leistungsfähigkeit von KI-Modellen zur Erkennung struktureller Herzerkrankungen hängt stark von dem Krankheitsspektrum und den Charakteristika der zugrunde liegenden Population ab. Während Modelle in krankenhausbasierten Datensätze erfolgreiche Ergebnisse erzielen, können deren Eigenschaften sich in unselektierten Populationen verändern. Die Ergebnisse der PREVUE-VALVE-Studie unterstreichen die Notwendigkeit einer sorgfältigen Validierung KI-gestützter Modelle für spezifische Anwendungsfälle.
Die Ergebnisse der PREVUE-VALVE-Studie bieten einen spannenden Einblick in die Herausforderungen einer Translation von krankenhausdaten-basierten KI-Modellen auf die Allgemeinbevölkerung. Obwohl KI ein großes Potenzial zur Früherkennung bietet, sollte ein Fokus nicht nur in deren Generierung, sondern auch Validierung in unterschiedlichen und unselektierten Populationen liegen. Künftig könnte ein Zugang zu offen nutzbaren, anonymisierten Datensätzen und verfügbaren Algorithmen eine breitere Validierung über verschiedene Anwendungsszenarien hinweg ermöglichen.
Zur Übersichtsseite ACC-Kongress 2026
