Amylo-Detect: Wie eine Web-App übersehene Herzamyloidose-Fälle aufspürt
Ein KI-Modell aus Routinedaten der elektronischen Patientenakte erkennt Hochrisikopatienten für Herzamyloidose zuverlässiger als die klinische Praxis – und ist bereits als freie Web-App verfügbar.
Mit KI-Unterstützung erstellt · redaktionell geprüft und verantwortet von Steven Breuer.
Die kardiale Amyloidose (CA) gilt als Paradebeispiel einer unterdiagnostizierten Erkrankung. Transthyretin-Amyloidose (ATTR-CA) findet sich bei bis zu 13 % der Patienten mit Herzinsuffizienz mit erhaltener Ejektionsfraktion und bei einem ähnlichen Anteil älterer Patienten mit schwerer Aortenklappenstenose. Dennoch wird die Diagnose häufig spät gestellt – mit Konsequenzen, da krankheitsmodifizierende Therapien im Frühstadium am wirksamsten sind. Das Kernproblem liegt nicht in der Bestätigungsdiagnostik: Die Knochenszintigrafie ist hochpräzise. Das Problem ist, überhaupt den richtigen Patienten zur Szintigrafie zu überweisen.
Genau hier setzt ein neues Machine-Learning-Tool an, das kürzlich in einer multizentrischen Studie validiert wurde: Amylo-Detect.
Datenbasis statt Bauchgefühl
Amylo-Detect wurde an 11.616 konsekutiven Patienten entwickelt und validiert, die am Wiener AKH und am Universitätsklinikum Essen zur Knochenszintigrafie überwiesen wurden. Grundlage sind 50 routinemäßig in der elektronischen Patientenakte verfügbare Parameter – Demografie, Laborwerte, Echokardiografie-Befunde und Komorbiditäten. Das Modell sagt voraus, ob ein Patient eine für CA sprechende Traceraufnahme (Perugini-Grad ≥2) zeigen wird, noch bevor die Szintigrafie überhaupt durchgeführt wurde.
Am Ende blieben elf Parameter im finalen Modell übrig, darunter Karpaltunnelsyndrom, Vorhofflimmern, Geschlecht, diastolische Dysfunktion, Septumdicke und Vorhofgröße in der Echokardiografie, Alter, harnstoffbezogene Nierenwerte, Herzinsuffizienz-Anamnese, NT-proBNP und Triglyzeride. Bemerkenswert: Das am höchsten gewichtete Einzelmerkmal ist das Karpaltunnelsyndrom – eine extrakardiale Manifestation, die der kardialen Diagnose oft 5 bis 15 Jahre vorausgeht und damit ein Zeitfenster für die Früherkennung eröffnet, in dem Patienten noch keine kardialen Symptome haben.
Validierungsergebnisse
Die Kennzahlen sind für ein EHR-basiertes Screening-Tool ungewöhnlich robust:
- Entwicklungskohorte: AUC 0,93
- Unabhängige interne Validierung: AUC 0,91
- Externe Validierung (Essen): AUC 0,91
Zum Vergleich: Die klinische Routineüberweisung erreichte lediglich AUC-Werte zwischen 0,84 und 0,86, der etablierte Mayo-ATTR-CM-Score wurde in allen Kohorten signifikant unterboten. Besonders praxisrelevant ist ein Detail aus der Studie: Von 388 Patienten mit bestätigter hochgradiger Traceraufnahme waren 42 (10,8 %) aus nicht-kardialen Gründen überwiesen worden – die Diagnose war also ein Zufallsbefund. Von diesen in der Routine übersehenen Fällen identifizierte Amylo-Detect zusätzlich 12, also 29 %.
Das Modell erwies sich zudem als robust gegenüber fehlenden Werten – ein entscheidender Punkt für den Praxisalltag, in dem Patientenakten selten vollständig sind. Patienten mit mehr fehlenden Werten unter den Modellparametern zeigten sogar eine leicht höhere Modellgüte (AUC 0,94 vs. 0,91), was für eine gute Generalisierbarkeit spricht.
Was bedeutet das für die Praxis?
Wichtig ist das Verständnis der Schwellenwert-Logik. Am für die Studie gewählten Operating Point (0,043) liegt die Sensitivität von Amylo-Detect unter der klinischen Routine, dafür sind Spezifität und positiver Vorhersagewert deutlich höher – das Modell ist also auf effizientes "Rule-in" ausgelegt und soll die klinische Verdachtsdiagnose ergänzen, nicht ersetzen. Für ein sensitivitätsorientiertes Screening wurde zusätzlich ein niedrigerer Schwellenwert (0,014) getestet, bei dem die Sensitivität in allen Kohorten zwischen 86 % und 94 % lag, bei weiterhin exzellentem negativem Vorhersagewert (≥0,99). In der externen Validierung bedeutete der Einsatz von Amylo-Detect am Standard-Cutoff, dass rund 178 von 1.000 Patienten zur Bestätigungsdiagnostik überwiesen worden wären – gegenüber 336 von 1.000 nach klinischer Routine, bei vergleichbarer diagnostischer Trefferquote.
Auch die prognostische Bedeutung ist nicht zu vernachlässigen: Eine positive Modellvorhersage war unabhängig von anderen Risikofaktoren mit erhöhter Gesamtmortalität und herzinsuffizienzbedingten Hospitalisierungen assoziiert – auch bei Patienten, bei denen die Traceraufnahme zufällig im Rahmen einer anderen Indikation entdeckt wurde.
Verfügbarkeit und Einordnung
Amylo-Detect steht als kostenlose Web-App zur Verfügung und gibt statt einer binären Entscheidung einen kontinuierlichen Risikowert aus – Kliniken können so eigene, kontextabhängige Schwellenwerte festlegen. Das macht das Tool potenziell einsetzbar sowohl für Kardiologen, die bereits laufende Abklärungen priorisieren wollen, als auch für Hausärzte oder Internisten, die bei unspezifischen Symptomkombinationen (Karpaltunnelsyndrom, Vorhofflimmern, verdickte Septen) frühzeitig eine Überweisung in Erwägung ziehen möchten.
Zu beachten bleibt: Es handelt sich um eine retrospektive Validierungsstudie. Eine prospektive Evaluation im klinischen Alltag steht noch aus, und die geringe Prävalenz hochgradiger Befunde (3,0 %) bedeutet trotz guter Spezifität einen moderaten positiven Vorhersagewert – je nach Kohorte sind 4 bis 13 Bestätigungsscans nötig, um einen zusätzlichen Fall zu identifizieren. Für die Praxis heißt das: Amylo-Detect ist ein vielversprechendes Hilfsmittel zur Priorisierung, kein Ersatz für die klinische Urteilsbildung – aber eines, das bereits heute kostenfrei getestet werden kann.