Ein von der FDA zugelassenes KI-Tool erkennt Herzinsuffizienz mit erhaltener Ejektionsfraktion (HFpEF) anhand echokardiographischer Bilder (apikaler Vierkammerblick), ohne weitere klinische Daten. In dieser externen Validierung (47 Patienten mit ungeklärter Dyspnoe, die sich sowohl einer Echokardiographie als auch einer Rechtsherzkatheteruntersuchung unterzogen) wurde das Tool mit dem invasiven Standard verglichen (Verschlussdruck ≥15 mmHg in Ruhe oder ≥25 mmHg unter Belastung). Die KI hatte eine hohe Spezifität (88 %) und einen hohen positiven Vorhersagewert (86 %), jedoch eine niedrige Sensitivität (30 %); unter Verwendung der PCWP/Herzzeitvolumen-Steigung erreichten Spezifität und PPV 100 %. KI-positive Patienten hatten höhere Füllungsdrücke und einen höheren Lungengefäßwiderstand. Bei Patienten mit unbestimmtem H2FPEF-Score identifizierte die KI 80 % der invasiv bestätigten HFpEF-Fälle. Das Tool eignet sich somit am besten zur Identifizierung von Patienten mit eindeutig abnormaler Hämodynamik, nicht zum Ausschluss von HFpEF.
Externe Validierung eines von der FDA zugelassenen Tools der künstlichen Intelligenz (KI) zur Erkennung von Herzinsuffizienz mit erhaltener Ejektionsfraktion (HFpEF) anhand echokardiographischer Videoclips, mit Vergleich seiner Leistung gegenüber invasiven hämodynamischen Kriterien in einer realweltlichen Überweisungskohorte mit ungeklärter Dyspnoe.
Wir analysierten retrospektiv 47 Patienten, die sich einer transthorakalen Echokardiographie (TTE) und einer Rechtsherzkatheteruntersuchung (RHC) unterzogen, darunter 28 mit hämodynamischen Messungen sowohl in Ruhe als auch unter Belastung. Das KI-Modell wertete Videodaten des apikalen Vierkammerblicks aus und klassifizierte die Ergebnisse als HFpEF, keine HFpEF oder nicht diagnostisch, ohne weitere klinische Daten. Der primäre Endpunkt war die invasiv definierte HFpEF: pulmonalkapillärer Verschlussdruck (PCWP) ≥15 mmHg in Ruhe oder ≥25 mmHg unter Belastung. Die sekundäre Analyse verwendete eine PCWP/Herzzeitvolumen(CO)-Steigung >2 mmHg/l/min. Wir bewerteten Sensitivität, Spezifität, positiven Vorhersagewert (PPV) und negativen Vorhersagewert (NPV).
Unter den Patienten mit Belastungs-RHC (n = 28) erfüllten 71 % die hämodynamischen HFpEF-Kriterien. Das KI-Tool zeigte eine Sensitivität von 30 %, eine Spezifität von 88 %, einen PPV von 86 % und einen NPV von 33 %. Unter Verwendung der PCWP/CO-Steigung (n = 25) betrugen Spezifität und PPV 100 %, die Sensitivität 27 % und der NPV 16 %. KI-positive Patienten hatten signifikant höhere PCWP-Werte in Ruhe (20 vs. 15 mmHg, P = 0,029), einen höheren mittleren PA-Druck (29 vs. 24 mmHg, P = 0,02) und einen höheren PVR (2,1 vs. 1,3 WU, P = 0,002). Bei Patienten mit unbestimmtem H2FPEF-Score (n = 25) identifizierte die KI korrekt 80 % derjenigen mit invasiv bestätigter HFpEF. Die Modellleistung war über TTE-RHC-Intervalle <365 und <90 Tage hinweg konsistent.
Dieses KI-Modell zeigte eine hohe Spezifität und einen hohen positiven Vorhersagewert (PPV) zur Erkennung von HFpEF und identifizierte zuverlässig Patienten mit fortgeschritteneren hämodynamischen Auffälligkeiten. Seine Leistung blieb über variable Intervalle zwischen transthorakaler Echokardiographie (TTE) und Rechtsherzkatheteruntersuchung (RHC) sowie bei Patienten mit unbestimmten klinischen Scores robust. Aufgrund der begrenzten Sensitivität eignet sich das Tool am besten dazu, die Identifizierung von Patienten mit eindeutig abnormaler Hämodynamik zu verbessern, statt HFpEF auszuschließen, insbesondere in frühen oder Grenzfällen. Ein breiterer Einsatz als Screening-Tool ist zwar vielversprechend, doch sind prospektive Validierungsstudien erforderlich, um seinen Nutzen in der Allgemeinbevölkerung zu bestätigen.
