Hamburg. Eine Smartwatch registriert Herzfrequenz, Bewegung und weitere Gesundheitsdaten rund um die Uhr. Doch was passiert, wenn genau dann Messwerte fehlen, wenn sie besonders wichtig wären? Und wie lassen sich die Bereiche im Herzen identifizieren, die lebensbedrohliche Herzrhythmusstörungen auslösen, wenn die Erkrankung während einer Untersuchung nicht direkt messbar ist?
Mit diesen Fragen beschäftigen sich zwei Forschungsarbeiten der Professur für Data Engineering von Prof. Dr. Maria Maleshkova, die auf der diesjährigen IEEE Engineering in Medicine and Biology Conference (EMBC) vorgestellt wurden. Die Arbeiten von Vaibhav Gupta (M.Sc.) und Mustafa Masjedi (M.Sc.) zeigen, wie Datenanalyse und Künstliche Intelligenz dazu beitragen können, medizinische Vorhersagen zu verbessern und Behandlungen gezielter zu unterstützen.
Internationale Bühne für biomedizinische Forschung
Die IEEE Engineering in Medicine and Biology Conference (EMBC) zählt zu den weltweit führenden wissenschaftlichen Konferenzen an der Schnittstelle von Medizin, Biomedizintechnik, Informatik und Künstlicher Intelligenz. Die vorgestellten Beiträge durchlaufen zuvor ein strenges Peer-Review-Verfahren, bei dem unabhängige Fachgutachterinnen und Fachgutachter die wissenschaftliche Qualität bewerten. Auf der Konferenz selbst werden die Arbeiten anschließend mit Forschenden aus aller Welt diskutiert, eingeordnet und weiterentwickelt.
Wenn fehlende Daten zu einem medizinischen Problem werden
Smartwatches und andere Wearables liefern heute eine Vielzahl von Gesundheitsdaten. Sie können dabei helfen, Veränderungen frühzeitig zu erkennen oder Risiken besser einzuschätzen. Gleichzeitig sind die erfassten Daten selten perfekt. Sensoren erfassen nicht kontinuierlich, Batterien entladen sich und Verbindungen brechen ab. Die Folge sind Datenlücken, die von wenigen Sekunden bis zu mehreren Stunden reichen können.
Mit genau diesem Problem beschäftigt sich Vaibhav Gupta in seiner Forschungsarbeit „Improving Hypoglycemia Prediction by Benchmarking Heart Rate Data Quality Using Impute Paradigm“. Im Fokus steht die Vorhersage von Hypoglykämien, also Unterzuckerungen, bei Menschen mit Diabetes.
Fehlende Messwerte werden üblicherweise mithilfe sogenannter Imputationsverfahren ergänzt. Häufig kommt dabei unabhängig von der Größe der Datenlücke dieselbe Methode zum Einsatz. Die Forschung von Vaibhav Gupta hinterfragt diesen Ansatz. Mithilfe des sogenannten Impute Paradigm untersucht er, welche Verfahren sich für unterschiedlich große Datenlücken am besten eignen. Dazu wurden zunächst verschiedene Methoden anhand simulierter Datenlücken verglichen und anschließend gezielt auf reale Datensätze angewendet.
Die Ergebnisse zeigen, dass sich Vorhersagen von Unterzuckerungen auf Grundlage von Herzfrequenz- und Glukosedaten verbessern lassen, wenn die Auswahl der Methode an die jeweilige Datenlücke angepasst wird. Die Arbeit verdeutlicht damit, wie eng Datenqualität und medizinische Vorhersagequalität miteinander verbunden sind.
Das Poster stieß auf großes Interesse. Mehr als 30 Konferenzteilnehmende nutzten die Gelegenheit, die Methodik und mögliche Weiterentwicklungen zu diskutieren. Besonders häufig wurde die Frage gestellt, ob sich das zugrunde liegende Konzept auch auf andere physiologische oder multimodale Sensordaten übertragen lässt.
Für Vaibhav Gupta war vor allem der Blick über die eigene Forschung hinaus prägend:
„Besonders inspirierend waren die Diskussionen darüber, wie Forschungsergebnisse in Start-ups, Technologien und praktische Lösungen für das Gesundheitswesen überführt werden können. Zu sehen, wie sich Grundlagenforschung von einer ersten wissenschaftlichen Idee zu einer Technologie mit dem Potenzial entwickeln kann, reale Herausforderungen im Gesundheitswesen zu adressieren, hat mir eine breitere Perspektive darauf vermittelt, welche Wirkung unsere Forschung letztlich erzielen kann.“
Künstliche Intelligenz zur Unterstützung der Behandlung schwerer Herzrhythmusstörungen
Mit einer anderen medizinischen Herausforderung beschäftigt sich Mustafa Masjedi. Seine Forschung „Machine-Learning based Identification of Arrhythmia-Driving Regions in Ventricular Tachycardia Using Neighborhood-Aggregated Features from 3-D Electroanatomical Mapping“ befasst sich mit ventrikulären Tachykardien, einer lebensbedrohlichen Herzrhythmusstörung.
Die ventrikuläre Tachykardie kann durch eine Katheterablation behandelt werden. Dabei wird das für die Rhythmusstörung verantwortliche Herzgewebe gezielt verödet. Für eine erfolgreiche Behandlung müssen diese Bereiche möglichst präzise lokalisiert werden. Genau das ist jedoch oft schwierig. Insbesondere dann, wenn die Tachykardie während der Untersuchung nicht stabil aufrechterhalten und somit nicht direkt vermessen werden kann.
In solchen Fällen nutzen Ärztinnen und Ärzte dreidimensionale elektroanatomische Karten der Herzkammer, die während des normalen Herzrhythmus erstellt werden. Sie enthalten mehrere tausend Messpunkte mit elektrischen Signalen aus dem Inneren des Herzens. Bestimmte Merkmale dieser Signale sollen dabei helfen, die verantwortlichen Bereiche zu erkennen und mögliche Stellen für die Katheterablation zu bestimmen.
Die Besonderheit des von Mustafa Masjedi entwickelten Machine-Learning-Ansatzes liegt in der Einbeziehung der räumlichen Umgebung. Das Modell analysiert nicht nur die Eigenschaften einzelner Messpunkte, sondern berücksichtigt zusätzlich die Merkmale benachbarter Bereiche. Diese werden als „Neighborhood-Aggregated Features“ bezeichnet. Die Ergebnisse deuten darauf hin, dass sich potenziell relevante Ablationsziele mithilfe dieser räumlichen Informationen besser identifizieren lassen.
Die Arbeit wurde im Rahmen eines wissenschaftlichen Vortrags vorgestellt und stieß auf positive Resonanz. Besonders großes Interesse bestand an der klinischen Relevanz der Fragestellung sowie an dem seltenen elektrophysiologischen Datensatz, auf dem die Analysen basieren. Die Diskussionen verdeutlichten zugleich das Potenzial der Verbindung von klinischer Elektrophysiologie und maschinellem Lernen.
Die nächsten Schritte sind bereits klar definiert:
„Als nächste Schritte möchten wir den Ansatz methodisch weiterentwickeln, an zusätzlichen Patientendaten überprüfen und die Entscheidungen der Modelle klinisch besser nachvollziehbar machen. Perspektivisch könnte die Methode als Grundlage für ein Assistenzsystem dienen, das Ärztinnen und Ärzte bei der Planung einer Katheterablation unterstützt.“
Forschung im internationalen Austausch
Für beide Wissenschaftler zeigte die EMBC einmal mehr die Bedeutung des internationalen Austauschs für die Weiterentwicklung wissenschaftlicher Forschung. Die Gespräche mit Forschenden aus aller Welt lieferten konkrete Anregungen für die nächsten Schritte und eröffneten neue Perspektiven für die weitere Entwicklung ihrer Arbeiten.
Für Vaibhav Gupta wurde dabei besonders deutlich, wie stark moderne Gesundheitsforschung heute von der Zusammenarbeit unterschiedlicher Disziplinen geprägt ist:
„Viele der Ansätze, die auf der EMBC vorgestellt wurden, kombinieren Fachwissen, Methoden und Daten aus unterschiedlichen Forschungsbereichen, um komplexe Herausforderungen im Gesundheitswesen zu adressieren. Die Diskussionen auf der EMBC haben mir gezeigt, wie wichtig die Zusammenarbeit zwischen Bereichen wie Wearable-Sensorik, Data Science, maschinellem Lernen, biomedizinischer Technik und Gesundheitswesen ist. Nur durch diese Verbindung entstehen Lösungen, die nicht nur technisch robust sind, sondern auch für die Praxis relevant werden.
Auch für Mustafa Masjedi war die Konferenz eine besondere Erfahrung:
„Mein persönliches Highlight war es, die Ergebnisse meiner eigenen Forschungsarbeit erstmals auf einer großen internationalen Konferenz präsentieren und anschließend mit Fachkolleginnen und Fachkollegen aus verschiedenen Ländern diskutieren zu können.“
Die Veröffentlichung der zugehörigen wissenschaftlichen Publikationen ist für Dezember geplant.