KI-Modelle steigern Genauigkeit bei Koronararterien-Erkennung

Koronare Herzkrankheit (KHK) bleibt weltweit eine der Hauptursachen für Morbidität und Mortalität. Frühzeitige Diagnose ist entscheidend, um die Behandlungsergebnisse zu verbessern und die Gesundheitskosten zu senken. In den letzten Jahren haben Fortschritte im Bereich des maschinellen Lernens (ML) das Potenzial gezeigt, die Genauigkeit der KHK-Diagnose deutlich zu erhöhen.

In der vorliegenden Studie wurden ML-Algorithmen auf umfangreichen Patientendaten angewendet, die klinische Merkmale, Bildgebung und Biomarkerprofile umfassen. Die Modelle – Bi‑LSTM, GRU und ein hybrides Bi‑LSTM+GRU – wurden trainiert, um das Vorhandensein von KHK vorherzusagen. Durch den Einsatz fortschrittlicher Vorverarbeitung und Feature‑Selection konnten die Modelle optimale Lernbedingungen erreichen.

Die Ergebnisse zeigen, dass das hybride Modell eine bemerkenswerte Genauigkeit von 97,07 % erreichte und damit die Sensitivität sowie Spezifität traditioneller Diagnosemethoden übertraf. Diese Leistungssteigerung unterstreicht die Fähigkeit von ML, klinische Entscheidungen fundierter zu unterstützen.

Die Integration von KI in die KHK-Erkennung setzt einen neuen Standard für die Anwendung von ML in der Kardiologie. Sie eröffnet Perspektiven für personalisierte Medizin und könnte künftig eine zentrale Rolle im Management von Herz-Kreislauf-Erkrankungen spielen.