Aus dem Routine-EKG möglichst viel an Informationen rausziehen, das ist schon länger die Mission der Arbeitsgruppe um Zachi Attia von der Abteilung für Kardiovaskuläre Medizin der Mayo Clinic in Rochester. Unter anderem haben die US-Amerikaner auf Basis von 12- und 1-Kanal-EKGs Risikopatienten für Vorhofflimmern identifiziert, und sie entwickelten einen Algorithmus, der anhand eines Standard-12-Kanal-EKGs Menschen herausfiltert, die wahrscheinlich eine linksventrikuläre Auswurfleistung (LVEF) kleiner-gleich 40 % aufweisen, also eine Herzschwäche haben.
Jetzt haben Attia und Kolleg:innen eine weitere, prospektive Studie vorgelegt, die untersucht hat, inwieweit das 1-Kanal-EKG der Apple Watch für die Prädiktion einer reduzierten LVEF taugt. Ziel dieser ganzen Studien ist wohlgemerkt nicht, eine abschließende Diagnose zu stellen. Die Wissenschaftler:innen denken eher an gestufte Screening-Szenarien, bei denen bestimmte Alarmsignale echokardiographische Untersuchungen nach sich ziehen, um möglichst viele Herzinsuffizienzpatient:innen möglichst früh zu identifizieren.
Für die Studie wurden 2454 Patient:innen im mittleren Alter von 53 Jahren über die Mayo Clinic Plattform rekrutiert. Diese sendeten mit Hilfe einer speziellen Mayo Clinic App und des Apple Health Kits über einen Studienzeitraum von einem halben Jahr über 125.000 Uhren-EKGs an die Mayo-Datenplattform. Darunter waren 421 Patient:innen, bei denen zumindest ein eingesandtes Sinusrhythmus-EKG innerhalb von 30 Tagen nach einer Echokardiographie angefertigt wurde. Die Zusammenführung von EKG und Echo geschah mit Hilfe der elektronischen Patientenakten der Teilnehmer:innen. Von diesen 421 Patient:innen wiederum hatten 3,8 %, also 16 Studienteilnehmer:innen, eine LVEF von 40 % oder darunter, und zwölf dieser 16 hatten – zumindest auf Basis der digital verfügbaren Informationen – keine oder nur minimale Symptome.
Das ursprünglich für 12-Kanal-EKG entwickelte Prädiktionsmodell wurde von den Mayo-Forscher:innen für das Szenario „1-Kanal-EKG“ adaptiert und nachtrainiert. Auf Basis dieses Trainings erkannte der Algorithmus Patient:innen mit reduzierter LVEF mit einer Area Under the Curve von etwa 0,88. Dies sei klinisch signifikant und bessere als andere verfügbare Screening-Methoden, betonen die Autor:innen. Sensitivität und Spezifität hängen, wie immer bei solchen Modellen, vom Cut-off-Wert ab. Wird der Algorithmus beispielweise auf eine Sensitivität von 87,5 % eingestellt, dann besitzt er eine Spezifität von 80,7 %. Hochgerechnet auf die Studienpopulation würde das heißen, dass ein so eingestellter Screening-Algorithmus bei rund 500 von 2500 Patient:innen anschlägt, von denen dann etwa 14 tatsächlich eine reduzierte EF haben.
Weitere Informationen:
Originalpublikation der Studie von Attia et al
https://www.nature.com/articles/s41591-022-02053-1