Maschinelles Lernen zur Abschätzung neurokognitiver Testergebnisse bei Jugendlichen und jungen Erwachsenen mit angeborenem Herzfehler

Warum das für das Aufwachsen mit einer Herzerkrankung wichtig ist

Mehr Kinder mit schweren Herzfehlern erreichen heute das Erwachsenenalter als je zuvor. Viele Familien stellen jedoch fest, dass das Überleben von Herzoperationen nur ein Teil der Geschichte ist: Einige Jugendliche und junge Erwachsene haben Schwierigkeiten mit Aufmerksamkeit, Lernen oder Gedächtnis. Diese Studie stellt eine praktische Frage mit großen Folgen: Lassen sich Gehirnscans, genetische Informationen, Krankengeschichte und familiärer Hintergrund gemeinsam nutzen, um einzuschätzen, wie sich eine junge Person mit angeborenem Herzfehler in schulähnlichen Denk- und Problemlöseaufgaben schlägt, ohne ausschließlich auf langwierige Tests angewiesen zu sein?

Das Gesamtbild betrachten, nicht nur das Herz

Die Forschenden begleiteten 89 Jugendliche und junge Erwachsene mit angeborenem Herzfehler im Alter von 8 bis 30 Jahren aus Zentren in den Vereinigten Staaten. Jede Teilnehmerin und jeder Teilnehmer absolvierte standardisierte Papier-und-Bleistift-Tests, die Lesen, Wortschatz, Problemlösen, Gedächtnis, Verarbeitungsgeschwindigkeit und die allgemeine Intelligenz maßen. Innerhalb von etwa sechs Monaten—häufig bereits innerhalb weniger Tage—ließen sie außerdem detaillierte MRT-Aufnahmen des Gehirns anfertigen und gaben genetische Proben. Das Team sammelte Angaben zu Herzdiagnosen und Operationen, Körpergröße und -gewicht sowie zum sozioökonomischen Hintergrund der Familie, einschließlich der Bildung der Eltern und des Haushalts einkommens. Ziel war es, jede junge Person nicht als „Herzpatient“ zu betrachten, sondern als Ganzes: Gehirn, Gene, Krankengeschichte und Umfeld formen gemeinsam, wie sie denken und lernen.

Computern beibringen, Denkfähigkeiten abzuschätzen

Um diese komplexe Informationsmischung zu verstehen, nutzten die Wissenschaftlerinnen und Wissenschaftler maschinelles Lernen—Computermethoden, die in großen Datensätzen Muster erkennen können. Sie speisten tausende Messwerte aus strukturellen und Diffusions-MRT-Scans ein (die Größe, Form und Verschaltung des Gehirns erfassen) sowie 17 nicht bildgebende Faktoren wie Geschlecht, Anzahl der Herzoperationen, Arten seltener genetischer Varianten und die Bildung der Eltern. Für jeweils 15 verschiedene Testergebnisse in sieben breiten Denkbereichen trainierten sie Modelle, um die Punktzahl aus diesen Merkmalen abzuleiten. Eine fortgeschrittene Merkmalsauswahlmethode fügte wiederholt Kandidatenvariablen hinzu und entfernte sie, wobei nur jene Kombinationen beibehalten wurden, die die Leistung bei Testpersonen außerhalb der Trainingsdaten tatsächlich verbesserten. Den Erfolg bewertete das Team danach, wie eng die geschätzten und die tatsächlichen Testergebnisse übereinstimmten und wie groß der typische Fehler in Testpunkten war.

Was die Modelle erkennen konnten und was nicht

Die Computermodelle konnten die meisten Testergebnisse besser als zufällig abschätzen, wobei die Korrelationen zwischen tatsächlichen und geschätzten Werten von gering bis recht stark reichten. Die Gesamt-IQ-Werte, das Arbeitsgedächtnis (sich Zahlenfolgen merken) und die Verarbeitungsgeschwindigkeit (schnelles visuelles Durchsuchen und Symbolabgleich) zählten zu den am einfachsten vorhersagbaren Fähigkeiten. So verfolgten die Schätzungen des Modells für den Digit-Span-Test, einen gebräuchlichen Gedächtnistest, die tatsächliche Leistung recht genau. Im Gegensatz dazu waren spezifischere Fähigkeiten wie Satzverständnis oder das Lösen von Bauklotz-Design-Aufgaben schwerer vorherzusagen. Kombiniert über die Tests hinweg erwies sich die allgemeine Intelligenz als die am besten „ableitbare“ Fähigkeit, während die Wahrnehmungslogik—das Erkennen von Mustern in Formen und Räumen—am schwierigsten war.

Wie Gehirn, Gene und Umfeld jeweils eine Rolle spielen

Indem sie untersuchten, auf welche Merkmale die Modelle zurückgriffen, zeichnet die Studie ein nuanciertes Bild der Einflussfaktoren auf die Kognition in dieser Gruppe. MRT-basierte Gehirnmaße traten in allen sieben kognitiven Domänen auf. Regionen im Frontallappen und Temporallappen sowie die weißen-matter-Verbindungsbahnen zwischen ihnen waren besonders wichtig—Bereiche, die lange mit Sprache, Gedächtnis und Problemlösen in Verbindung gebracht werden. Aber auch nicht-gehirnbasierte Faktoren spielten eine Rolle. Das Bildungsniveau des Vaters trug zur Abschätzung des Gesamt-IQ und der visuell-räumlichen Fähigkeiten bei, was auf Einfluss von häuslichem Umfeld und Lernmöglichkeiten hindeutet. Merkmale der Herzerkrankung selbst, etwa die Diagnoseart und die Anzahl der Operationen, wirkten sich auf verbale Fähigkeiten aus. Bestimmte seltene genetische Varianten, insbesondere solche, die neuroentwicklungsrelevante Gene stören, standen tendenziell mit schwächeren Lese-, Mathematik- oder Wortschatzleistungen in Zusammenhang. Statt einer einzelnen Ursache zeichnet sich ein Bild überlappender Einflüsse ab, in dem Gehirnstruktur, medizinische Vorgeschichte, Gene und sozioökonomischer Kontext die kognitiven Ergebnisse in verschiedene Richtungen beeinflussen.

Was das für Behandlung und Nachsorge bedeuten könnte

Für Familien und Ärztinnen und Ärzte ist die Botschaft zugleich beruhigend und zukunftsorientiert. In dieser relativ kleinen, aber sorgfältig untersuchten Gruppe hatten viele junge Menschen mit angeborenem Herzfehler kognitive Fähigkeiten im Durchschnittsbereich. Die Studie zeigt jedoch, dass subtile Unterschiede in der Kognition aus bereits in der modernen Versorgung gesammelten Informationen, insbesondere aus detaillierten Gehirnscans, sinnvoll abgeschätzt werden können. Wenn sich die Befunde in größeren und diverseren Gruppen bestätigen, könnten ähnliche Modelle eines Tages helfen, frühzeitig Kinder zu identifizieren, die ein höheres Risiko für schulische oder Gedächtnisprobleme haben, noch bevor sich die Probleme voll zeigen. Das könnte wiederum frühere Überweisungen zu Bildungsunterstützung, kognitivem Training oder familienbasierten Interventionen ermöglichen—und die Gehirngesundheit in der Nachsorge ebenso zentral machen wie die Herzgesundheit.

Zitation: Hussain, M.A., He, S., Adams, H.R. et al. Machine learning to infer neurocognitive testing scores among adolescents and young adults with congenital heart disease. Commun Med 6, 144 (2026). https://doi.org/10.1038/s43856-026-01417-9

Schlüsselwörter: angeborener Herzfehler, kognitive Entwicklung bei Jugendlichen, Hirn-MRT, maschinelles Lernen, Neuroentwicklung