Erkennung von Aortenstenose mit Smartphone-Auskultation mittels maschinellem Lernen (HEARTBEAT-Pilot)

Schwere Aortenstenosen werden in der Regel operativ oder interventionell behandelt und sind damit die am häufigsten behandelte Herzklappenerkrankung. Typischerweise wird eine schwere Aortenstenose erst nach Auftreten der ersten Symptome diagnostiziert. Erste Studien deuten jedoch darauf hin, dass die Behandlung asymptomatischer Aortenstenosen auch die Lebensspanne Betroffener verlängern könnte. Daher wäre für das Screening eine breit anwendbare und kostengünstige Diagnosemethode wünschenswert.

Der aktuelle Goldstandard zur Diagnose einer Aortenklappenstenose ist die Echokardiographie. Es ermöglicht eine detaillierte Messung und Auswertung und unterstützt die Erkennung und diagnostische Beurteilung. Allerdings ist es zeitaufwändig und daher nicht ohne weiteres auf eine größere Population anwendbar. Alternativ bietet sich die Auskultation als akustisches Verfahren an, bei der typische Geräuschveränderungen aufgrund von Turbulenzen im Blutfluss mithilfe eines Stethoskops erfasst werden können.

Da Stethoskope sowohl hinsichtlich der Verfügbarkeit als auch der Bedienbarkeit nur bedingt für den Eigengebrauch zugänglich sind, soll in dieser Studie untersucht werden, ob eine auf künstlicher Intelligenz basierende mobile Anwendung für gängige Smartphones mit eingebauten Mikrofonen auch diagnostisch einsetzbar ist. Hierzu werden Mikrofonaufnahmen an den typischen fünf Auskultationspunkten von 50 Patienten mit schwerer Aortenklappenstenose und 50 Patienten ohne relevante Herzklappenerkrankung aufgezeichnet. Als Referenz dienen ein digitales Stethoskop (3M Deutschland GmbH, Deutschland) und echokardiographische Befunde. Basierend auf den Daten wird in einem ersten Schritt ein Klassifizierungsmodell entwickelt, das mittels maschinellem Lernen schwere Aortenstenosen in Smartphone-Aufnahmen erkennen kann.