Vorhersage des Knöchel-Arm-Index aus Dopplergeräuschen mit Deep Learning ermöglichen

Warum die Durchblutung der Beine wichtig ist

Millionen Menschen weltweit leiden unter schlechter Durchblutung der Beine, einer Erkrankung, die als periphere arterielle Verschlusskrankheit bezeichnet wird. Wenn sich Beinarterien verengen oder verhärten, kann Gehen schmerzhaft werden und Wunden heilen möglicherweise nicht, was in manchen Fällen zu Amputationen führt. Ärztinnen und Ärzte haben einen einfachen Test, den Knöchel‑Arm‑Index, der den Blutdruck am Knöchel mit dem am Arm vergleicht, um Probleme frühzeitig zu erkennen. Dieser Test ist jedoch zeitaufwändig, erfordert spezielles Gerät und versagt oft bei Menschen, deren Beinarterien so steif sind, dass sie sich nicht zusammenpressen lassen – insbesondere bei Diabetes- oder Nierenerkrankungen. Diese Studie untersucht, ob ein Computer die vertrauten Rausch‑ und Strömungsgeräusche eines handgeführten Dopplergeräts anhören und sofort beurteilen kann, wie gut das Blut den Fuß erreicht.

Von Rauschgeräuschen zu einem Risikowert

Die Forschenden entwickelten ein System, das sie AutoABI nennen. Anstatt mehrere Blutdruckmanschetten an den Gliedmaßen anzubringen, verwendet die Klinikperson ein standardmäßiges handgeführtes Doppler‑Sonde am Knöchel, genau wie in der alltäglichen Praxis. Die Sonde nimmt das Geräusch des durch die Arterie pumpenden Bluts auf. Diese Geräusche wurden in kurzen viersekündigen Clips aus nahezu 800 Tests bei 198 Patientinnen und Patienten aufgenommen, die wegen Verdachts auf Beinarterienerkrankungen oder diabetesbedingte Durchblutungsstörungen an ein vaskuläres Labor überwiesen worden waren. Ziel war es zu prüfen, ob ein Computerprogramm jede Aufnahme einer von vier Knöchel‑Arm‑Index‑Kategorien zuordnen kann, von sehr schlechter Durchblutung bis eindeutig normal.

Dem Computer beibringen, wie ein Spezialist zuzuhören

Damit die Audiodaten für einen Computer verständlich werden, teilte das Team jede Aufnahme zunächst in einsekündige Schnipsel, die einzelne Herzschläge einfingen. Diese Schnipsel wurden dann in bunte Bilder namens Spektrogramme umgewandelt, die zeigen, wie sich die Energie des Tons über Zeit und Frequenz verändert. Diese Bilder wurden in Deep‑Learning‑Modelle eingespeist, genauer in Convolutional Neural Networks. Die Modelle, aufgebaut auf zwei Versionen eines verbreiteten Bildanalyse‑Designs namens ResNet, lernten, Muster in den Dopplergeräuschen zu erkennen, die mit klinisch wichtigen Knöchel‑Arm‑Index‑Kategorien übereinstimmen. Die Forschenden teilten die Daten sorgfältig so auf, dass Geräusche desselben Patienten nie sowohl im Training als auch im Test auftauchten, um sicherzustellen, dass das System allgemeine Regeln lernte und nicht einzelne Fälle auswendiglernte.

Wie gut das System abschnitt

Nach dem Training zeigte AutoABI eine starke Fähigkeit, zwischen den vier Durchblutungskategorien zu unterscheiden. Bei beiden Modellversionen trennte es normale Zirkulation von krankhafter mit sehr hoher Genauigkeit, gemessen an gebräuchlichen Kennzahlen wie der Fläche unter der ROC‑Kurve, die für alle Klassen Near oder über 0,95 lag. Die meisten Fehler traten an den unscharfen Grenzen zwischen „fast normal“ und leicht vermindeter Durchblutung auf, wo selbst Expertinnen und Experten visuell oder akustisch uneins sein können. Wichtig ist, dass, als das Team das System auf eine kleine Gruppe von Diabetespatienten anwendete, deren Beinarterien für die konventionelle Knöchel‑Arm‑Index‑Messung zu steif waren, die Vorhersagen des Modells in allen zehn Fällen den Erwartungen der Fachleute anhand der Form der Doppler‑Wellenformen entsprachen.

Was das in der Klinik bedeuten könnte

Die Autorinnen und Autoren verglichen ihren Ansatz mit kommerziellen automatischen Knöchel‑Arm‑Index‑Geräten, die weiterhin mehrere Manschetten und Druckmessungen verwenden. Diese Geräte sind schnell, haben aber dieselbe Schwäche: Sie funktionieren schlecht, wenn Arterien starr und nicht komprimierbar sind. AutoABI hingegen benötigt nur das weitverbreitete handgeführte Dopplergerät und ein Gerät, das das Deep‑Learning‑Modell ausführen kann, etwa ein Smartphone. Es tauscht exakte Zahlenwerte gegen breitere Bereiche ein, kann dafür aber schnelle, objektive Orientierung am Krankenbett, in Notaufnahmen oder in Kliniken ohne vollständiges vaskuläres Labor liefern. Das System könnte besonders in ressourcenarmen Umgebungen und bei Hochrisikopatienten nützlich sein, wo traditionelle Messungen unzuverlässig sind.

Nächste Schritte Richtung Anwendung in der Praxis

Die Studie ist ein frühes Proof of Concept, und die Autorinnen und Autoren betonen ihre Grenzen. Der Datensatz, obwohl sorgfältig erhoben, war in der Größe begrenzt, und die Zahl der untersuchten nicht komprimierbaren Gefäße war sehr klein. Die Qualität der Aufnahmen hing davon ab, wie die Technikerin oder der Techniker die Sonde hielt und von Hintergrundgeräuschen, und das System wurde noch nicht mit verschiedenen Marken von Dopplergeräten oder in stark frequentierten ambulanten Umgebungen getestet. Zukünftige Arbeiten werden größere, diversere Patientengruppen, Einbeziehung der Krankengeschichte und fortlaufende Überwachung benötigen, um Verzerrungen und Leistungsabfall zu vermeiden. Dennoch deuten die Ergebnisse darauf hin, dass das Computern das „Zuhören“ der Durchblutung beizubringen die Knöchel‑Durchblutungsmessung schneller, kostengünstiger und weiter zugänglich machen könnte – und so ernsthafte Gefäßerkrankungen früher erfassen, bevor sie zu lebensverändernden Komplikationen führen.

Zitation: Rao, A., Battenfield, K., Fereydooni, A. et al. Enabling ankle-brachial index prediction from doppler sounds using deep learning. npj Cardiovasc Health 3, 21 (2026). https://doi.org/10.1038/s44325-026-00116-7

Schlüsselwörter: periphere arterielle Verschlusskrankheit, Knöchel-Arm-Index, Doppler-Ultraschall, Deep Learning, Durchblutung der Extremitäten