Vorhersage von Ergebnissen der kardiopulmonalen Ergospirometrie bei angeborenen Herzfehlern durch multimodale Datenintegration und geometrisches Lernen

Warum diese Herzstudie wichtig ist

Für Menschen, die mit Herzfehlern geboren wurden, bringt das Aufwachsen und Erwachsenwerden oft Unsicherheit mit sich: Wird mein Herz den Alltag, Sport oder größere Operationen bewältigen? Diese Studie untersucht, ob Informationen, die bereits in der Routineversorgung erhoben werden – Herzkurven und Klinikbriefe – kombiniert und mit modernen Rechentechniken analysiert werden können, um vorherzusagen, wie gut Herz und Lunge einer Patientin oder eines Patienten bei Belastung funktionieren, ohne stets den aufwändigen Test durchführen zu müssen.

Fitness aus Atmung und Herzschlag verstehen

Ärztinnen und Ärzte verwenden häufig eine spezialisierte Laufband- oder Fahrradergometrie, den kardiopulmonalen Belastungstest, um zu bestimmen, wie viel Sauerstoff eine Person nutzen kann und wie effizient sie Kohlendioxid ausatmet. Diese Messungen liefern einen starken Hinweis auf die allgemeine Fitness und das zukünftige Gesundheitsrisiko, besonders bei Erwachsenen mit angeborenem Herzfehler. Der Test ist jedoch zeitaufwändig, erfordert spezielle Geräte und steht nicht allen Patientinnen und Patienten oder Kliniken zur Verfügung.

Verstreute Patienteninformationen zusammenführen

Die Forschenden sammelten verschiedene Arten von Informationen von 436 Erwachsenen mit angeborenem Herzfehler, die in einem schottischen Referenzzentrum betreut werden. Sie digitalisierten über viertausend standardmäßige 12‑Kanal-EKGs – kurze Aufzeichnungen der elektrischen Aktivität des Herzens – und konvertierten zudem schriftliche Klinikbriefe und Belastungsberichte in strukturierte, maschinenlesbare Form. Aus diesen Textdokumenten extrahierten sie zentrale Details zu Diagnosen, Herzoperationen und Medikamenten und entfernten dabei identifizierende Informationen. Für 258 Patientinnen und Patienten mit Belastungstests konzentrierten sie sich auf zwei Kerngrößen, die bekanntlich das Überleben vorhersagen: die maximale Sauerstoffaufnahme und wie stark die Atmung zur Abgabe von Kohlendioxid beiträgt.

Musterfinden mit Geometrie statt roher Kraft

Weil angeborene Herzfehler relativ selten und sehr unterschiedlich sind, konnten sich die Forschenden nicht auf riesige Datensätze stützen, wie sie bei vielen modernen KI-Systemen verwendet werden. Stattdessen stellten sie jedes EKG als Zusammenfassung dar, wie die Signale der verschiedenen Ableitungen gemeinsam variieren – einen mathematischen Fingerabdruck des elektrischen Musters des Herzens. Diese Fingerabdrücke liegen in Form von Kovarianzmatrizen vor, die die Autoren mit Werkzeugen aus einem Teilgebiet der Mathematik namens riemannsche Geometrie analysierten. Praktisch bedeutete das, dass sie Ähnlichkeiten zwischen Herzsignalen empfindlicher messen und durch sanftes „Mischen“ bestehender Patientenmuster realistische synthetische Beispiele erzeugen konnten, sodass das Modell auch aus einer kleinen und unausgewogenen Stichprobe lernen konnte.

Worte und Wellen verbinden für bessere Vorhersagen

Die Studie verglich mehrere Ansätze zur Vorhersage der Belastungsleistung aus diesen Daten. Modelle, die nur einfache EKG-Messwerte verwendeten, etwa Standardintervalle und Frequenzwerte aus Routineausdrucken, schnitten schlecht ab. Als die Forschenden stattdessen die reicheren EKG-Fingerabdrücke verwendeten, verbesserte sich die Vorhersagegenauigkeit deutlich. Die größten Fortschritte erzielten sie, wenn sie diese EKG-Fingerabdrücke mit Informationen aus Klinikbriefen kombinierten, sodass das Modell sowohl wusste, wie sich die elektrische Aktivität des Herzens verhielt, als auch welche Erkrankungen, Operationen und Medikamente vorlagen. Mit dieser Datenfusion und ihrer geometriebasierten Augmentation korrelierten die Schätzungen der maximalen Sauerstoffaufnahme mäßig gut mit den tatsächlichen Testergebnissen und übertrafen einfachere Methoden sowohl bei der kontinuierlichen Vorhersage als auch bei der Einteilung von Patientinnen und Patienten in Risikogruppen.

Was das für Patientinnen, Patienten und Betreuungsteams bedeutet

Die Arbeit ersetzt den Belastungstest noch nicht, und die Autorinnen und Autoren geben zu, dass ihre Klassifikationsgenauigkeit derzeit noch zu gering ist, um direkte klinische Entscheidungen zu treffen. Ihre Ergebnisse zeigen jedoch, dass sorgsam gestaltete Modelle, die die Struktur der Daten respektieren und sowohl Herzkurven als auch narrative klinische Informationen nutzen, sinnvoll vorhersagen können, wie gut eine Person mit angeborenem Herzfehler mit körperlicher Belastung zurechtkommt. In Zukunft könnten ähnliche Werkzeuge, gestützt auf größere und vielfältigere Datensätze, helfen, Patientinnen und Patienten zu identifizieren, deren Fitness nachlässt, bevor Symptome offensichtlich werden, Entscheidungen zu Operationen oder Lebensstiländerungen zu unterstützen und fortgeschrittene Risikobewertung in Kliniken anzubieten, die keine umfassenden Belastungstest‑Einrichtungen besitzen.

Zitation: Alkan, M., Veldtman, G. & Deligianni, F. Predicting cardiopulmonary exercise testing outcomes in congenital heart disease through multimodal data integration and geometric learning. Sci Rep 16, 9910 (2026). https://doi.org/10.1038/s41598-026-38687-1

Schlüsselwörter: angeborener Herzfehler, kardiopulmonaler Belastungstest, Elektrokardiogramm, maschinelles Lernen, Risikovorhersage