Adäquate Versorgungsstrukturen und Bedeutung von Big-Data-Analysen bei EMAH-Patienten

Zusammenfassung

Da immer mehr Kinder mit angeborenem Herzfehler (AHF) überleben und ins Erwachsenenalter eintreten, sind nunmehr rund zwei Drittel der aktuellen AHF-Patienten Erwachsene mit angeborenen Herzfehlern (EMAH). Es wird geschätzt, dass in Deutschland aktuell ca. 350000 EMAH-Patienten leben, wobei die Zahl weiter rasch zunimmt. Die lebenslange kardiologische Anbindung von EMAH-Patienten ist nach aktuellen Leitlinienempfehlungen erforderlich und mit einer niedrigeren Letalität und Morbidität assoziiert. Somit ist die ausschließliche hausärztliche Versorgung von EMAH-Patienten nicht ausreichend. EMAH-Patienten sind an spezialisierte EMAH-Zentren/bei EMAH-Kardiologen anzubinden und sollten gemeinschaftlich mit niedergelassenen kardiologischen Kollegen behandelt werden. Big Data und Methoden des maschinellen Lernens sind integraler Bestandteil der Forschungsbemühungen bei EMAH-Patienten, die unter einer chronischen, lebenslangen Erkrankung leiden. Methoden der künstlichen Intelligenz werden die Versorgung von EMAH-Patienten in Zukunft effizienter machen und die Reproduzierbarkeit von Bildgebungsuntersuchungen erhöhen.

Abstract

As more and more children with congenital heart disease (CHD) survive and enter adulthood, around two thirds of current CHD patients are now adults with congenital heart defects (ACHD). It is estimated that there are currently around 350000 ACHD patients in Germany, with the number growing rapidly. Lifelong specialized care is required according to current guideline recommendations and is associated with lower mortality and morbidity. Thus, the isolated care of ACHD patients by general practitioners is not sufficient. ACHD patients should be linked to specialized ACHD centers/ACHD cardiologists and should be treated jointly with office based general cardiological colleagues. Big data and machine learning methods are an integral part of research efforts in ACHD representing a chronic, lifelong disease. Artificial intelligence methods will make the care of ACHD patients more efficient in the future and increase the reproducibility of imaging examinations.

Was ist wichtig?

Die lebenslange kardiologische Anbindung von erwachsenen Patienten mit angeborenen Herzfehlern (EMAH) ist nach aktuellen Leitlinienempfehlungen unbedingt erforderlich und mit einer niedrigeren Letalität und Morbidität assoziiert. Somit ist die ausschließliche hausärztliche Versorgung von EMAH-Patienten nicht ausreichend.

EMAH-Patienten sind an spezialisierte EMAH-Zentren/bei EMAH-Kardiologen anzubinden und sollten gemeinschaftlich mit niedergelassenen kardiologischen Kollegen behandelt werden.

Big Data und Methoden des maschinellen Lernens sind integraler Bestandteil der Forschungsbemühungen bei EMAH-Patienten, die unter einer chronischen, lebenslangen Erkrankung leiden.

Methoden der künstlichen Intelligenz werden die Versorgung von EMAH-Patienten in Zukunft effizienter machen und die Reproduzierbarkeit von Bildgebungsuntersuchungen erhöhen.

Schlüsselwörter

Erwachsene mit angeborenen Herzfehlern - Versorgung - Big Data - Versorgungsstrukturen und Versorgungsforschung - künstliche Intelligenz - angeborene Herzfehler

Keywords

adult congenital heart disease - congenital heart disease - machine learning - big data

Publication History

Article published online:
11 October 2021

• Literatur

• 1 Baumgartner H, De Backer J, Babu-Narayan SV. et al. 2020 ESC Guidelines for the management of adult congenital heart disease. Eur Heart J 2021; 42: 563-645 DOI: 10.1093/eurheartj/ehaa554. (PMID: 32860028)
• 2 Marelli AJ, Mackie AS, Ionescu-Ittu R. et al. Congenital heart disease in the general population: changing prevalence and age distribution. Circulation 2007; 115: 163-172 DOI: 10.1161/CIRCULATIONAHA.106.627224. (PMID: 17210844)
• 3 Cordina R, Nasir Ahmad S, Kotchetkova I. et al. Management errors in adults with congenital heart disease: prevalence, sources, and consequences. Eur Heart J 2018; 39: 982-989 DOI: 10.1093/eurheartj/ehx685. (PMID: 29236965)
• 4 Mylotte D, Pilote L, Ionescu-Ittu R. et al. Specialized adult congenital heart disease care: the impact of policy on mortality. Circulation 2014; 129: 1804-1812 DOI: 10.1161/CIRCULATIONAHA.113.005817. (PMID: 24589851)
• 5 Kaemmerer H, Breithardt G. Kommission für Klinische Kardiologie der Deutschen Gesellschaft für Kardiologie. Recommendations for the quality improvement of interdisciplinary care of adults with congenital heart anomalies. Clin Res Cardiol 2006; 95 (Suppl. 04) 76-84 DOI: 10.1007/s00392-006-2003-1.
• 6 Diller GP, Orwat S, Lammers AE. et al. Lack of specialist care is associated with increased morbidity and mortality in adult congenital heart disease: a population-based study. Eur Heart J 2021; DOI: 10.1093/eurheartj/ehab422.
• 7 Seidel L, Nebel K, Achenbach S. et al. Facts about the General Medical Care of Adults with Congenital Heart Defects: Experience of a Tertiary Care Center. J Clin Med 2020; 9: 1943 DOI: 10.3390/jcm9061943. (PMID: 32580342)
• 8 Diller GP, Arvanitaki A, Opotowsky AR. et al. Lifespan Perspective on Congenital Heart Disease Research: JACC State-of-the-Art Review. J Am Coll Cardiol 2021; 77: 2219-2235 DOI: 10.1016/j.jacc.2021.03.012. (PMID: 33926659)
• 9 Diller GP, Kempny A, Babu-Narayan SV. et al. Machine learning algorithms estimating prognosis and guiding therapy in adult congenital heart disease: data from a single tertiary centre including 10 019 patients. Eur Heart J 2019; 40: 1069-1077 DOI: 10.1093/eurheartj/ehy915. (PMID: 30689812)
• 10 Diller GP, Babu-Narayan S, Li W. et al. Utility of machine learning algorithms in assessing patients with a systemic right ventricle. Eur Heart J Cardiovasc Imaging 2019; 20: 925-931 DOI: 10.1093/ehjci/jey211. (PMID: 30629127)
• 11 Diller GP, Lammers AE, Babu-Narayan S. et al. Denoising and artefact removal for transthoracic echocardiographic imaging in congenital heart disease: utility of diagnosis specific deep learning algorithms. Int J Cardiovasc Imaging 2019; 35: 2189-2196 DOI: 10.1007/s10554-019-01671-0. (PMID: 31325067)
• 12 Diller GP, Orwat S, Vahle J. et al. Prediction of prognosis in patients with tetralogy of Fallot based on deep learning imaging analysis. Heart 2020; 106: 1007-1014 DOI: 10.1136/heartjnl-2019-315962. (PMID: 32161041)
• 13 Freisinger E, Gerss J, Makowski L. et al. Current use and safety of novel oral anticoagulants in adults with congenital heart disease: results of a nationwide analysis including more than 44 000 patients. Eur Heart J 2020; 41: 4168-4177 DOI: 10.1093/eurheartj/ehaa844. (PMID: 33184662)