EchoFocus-CHD ist ein Multi-Task-KI-Modell, das 12 kritische und 8 nicht-kritische angeborene Herzfehler in der standardmäßigen Echokardiographie automatisch erkennt. In einer externen Kohorte entsprach die Leistung des Modells der Expertenantwort – mit dem Potenzial, die knappe pädiatrische Echo-Expertise über akademische Zentren hinaus zu erweitern. Ein konkretes Beispiel dafür, wie KI-gestützte Bildgebung schnell klinischen Wert in der hausärztlichen Versorgung und in kleineren Krankenhäusern liefern kann.
Hintergrund: Eine verzögerte oder verpasste Diagnose von angeborenen Herzfehlern (AHF) trägt weltweit zur erhöhten pädiatrischen Mortalität bei. Die Echokardiographie (Echo) ist zentral für die Diagnosestellung und das Triage-Management von AHF, doch die expertenbasierte Auswertung bleibt eine knappe und global ungleich verteilte Ressource. Künstliche Intelligenz (KI) bietet das Potenzial, die Diagnostik zu demokratisieren und die expertenähnliche Auswertung über große akademische Zentren hinaus zu erweitern, doch ihre Anwendung bei AHF ist bisher kaum erforscht. Methoden: Wir entwickelten EchoFocus-CHD, ein KI-gestütztes Modell zur automatischen Erkennung von 12 kritischen und 8 nicht-kritischen AHF-Läsionen, einzeln und als Composite. Das Composite-Ergebnis „kritischer AHF“ war der primäre Endpunkt. Das Modell basiert auf einer Multi-Task-, Ansichts-agnostischen Architektur (PanEcho) und erweitert diese um einen Transformer-Encoder, um den Fokus auf relevante Echo-Ansichten zu verbessern. Das Modell wurde intern trainiert (80 %) und getestet (20 %) anhand des ersten Echokardiogramms pro Patient aus dem Boston Children’s Hospital (BCH), mit einer weiteren Evaluierung an einem Überweisungskohort
