Präzise Erkennung und Vorhersage von Vorhofarrhythmien mithilfe von künstlicher Intelligenz und tragbaren Verbrauchergeräten (REMOTE-AF2)

Vorhofflimmern (AF) ist die häufigste Herzrhythmusstörung, von der über eine Million Menschen in Großbritannien betroffen sind. Es ist mit erhöhter kardiovaskulärer Morbidität und Mortalität verbunden und kostet den NHS jährlich zwischen 1,4 Milliarden und 2,5 Milliarden Pfund. Aktuelle Methoden zur Erkennung von AF umfassen opportunistische Pulspalpation, Einzeitpunkt-12-Kanal-Elektrokardiogramme (EKG), ambulante Holter-Überwachung und implantierbare Loop-Rekorder (ILR). Die häufiger verwendeten intermittierenden Überwachungsmethoden, wie EKG und Holter-Überwachung, sind zeitlich begrenzt und weisen niedrigere Erkennungsraten von Vorhofarrhythmien auf. Am anderen Ende des Spektrums kann der ILR eine kontinuierliche und genaue Arrhythmieerkennung bieten, ist jedoch invasiv und erfordert Fachwissen zur Implantation, Überwachung und Analyse.

In den letzten Jahren hat sich der Einsatz tragbarer mobiler Gesundheitsgeräte (mHealth) als direkte Verbraucheroption zur Überwachung von Parametern wie Herzfrequenz und Aktivitätsniveaus etabliert. Aus klinischer Sicht bieten sie möglicherweise einen weniger invasiven und kosteneffektiven Untersuchungsansatz mit Fernüberwachungslösungen, um AF vorherzusagen und zu erkennen. Diese Technologie hat erhebliches Potenzial für passive, nicht-invasive und kontinuierliche Überwachung zur Unterstützung der Früherkennung und Behandlung von AF.

Die ursprüngliche REMOTE-AF-Studie (NCT05037136) entwickelte eine neuartige Methodik zur Erkennung von AF mithilfe von PPG-abgeleiteten Daten eines Wearables. Diese Studie wird diese Grundlagenarbeit weiter verbessern, indem Patienten rekrutiert werden, um einen KI-gestützten, multiparametrischen Algorithmus unter Verwendung von PPG-abgeleiteten Daten zur Erkennung von AF zu entwickeln.