Auf it-herzgruppen-saar.de ist ein Beitrag zu einer sehr interessanten neuen diagnostischen Methode publiziert, der sich mit einem telemetrischen Verfahren befasst, der KI-gestützten Stimmanalyse bei Herzinsuffizienz. Dabei wird die bekannte Änderung der Stimme bei HI z.B. durch Luftnot (NYHA II-III) mittels Analyse großer Datenmengen (Large Language Model LLM), also KI-gestützt analysiert. Drei Studien sind dafür derzeit unterwegs: TELEMED5000-HF, VAMP-HF und PRE-DETECT-HF. VAMP-HF ist publiziert und wird unten kurz besprochen.

Fazit:
Durch die Stimmanalyse könnte es möglich sein, eine Frühdiagnose der drohenden Dekompensation (instabile HI) mindestens 3 Wochen vor anderen Symptomen (z.B. Gewichtszunahme und Ruhedyspnoe) zu stellen.

Lit.:

1. Ravindra, N, Kao, D. Extracting Vocal Biomarkers for Pulmonary Congestion With a Smartphone App^∗ . J Am Coll Cardiol HF. 2022 Jan, 10 (1) 50–51.https://doi.org/10.1016/j.jchf.2021.10.007
2. Amir, O, Abraham, W, Azzam, Z. et al. Remote Speech Analysis in the Evaluation of Hospitalized Patients With Acute Decompensated Heart Failure. J Am Coll Cardiol HF. 2022 Jan, 10 (1) 41–49.https://doi.org/10.1016/j.jchf.2021.08.008

Ziele
In dieser Studie (AMIR O; VAMP-HF) wurde die Leistung einer automatisierten Sprachanalysetechnik bei der Erkennung einer pulmonalen Flüssigkeitsüberlastung bei Patienten mit akuter dekompensierter Herzinsuffizienz (ADHF) untersucht.
Hintergrund
Lungenödeme sind die Hauptursache für Krankenhausaufenthalte im Zusammenhang mit Herzinsuffizienz (HF) und ein wichtiger Prädiktor für eine schlechte Prognose nach der Entlassung. Häufig wird eine häufige Überwachung empfohlen, doch werden Anzeichen einer Dekompensation oft übersehen. Mit Hilfe von Stimm- und Geräuschanalyseverfahren lassen sich klinische Zustände, die die Schwingungsmechanik der Stimmbänder beeinträchtigen, nachweislich erkennen.
Methoden
Erwachsene Patienten mit ADHF (n = 40) nahmen 5 Sätze in einer von 3 Sprachen mit HearO, einer proprietären Sprachverarbeitungs- und -analyseanwendung, bei der Aufnahme (nass) und Entlassung (trocken) aus dem Krankenhaus auf. Die Aufnahmen wurden auf 5 verschiedene Sprachmaße (SMs) hin analysiert, jedes mit einer bestimmten Zeit- und Frequenzauflösung und einem linearen bzw. perzeptiven (Ohr-)Modell; die mittlere Veränderung der SMs gegenüber dem Ausgangswert wurde berechnet.
Ergebnisse
Insgesamt wurden 1.484 Aufnahmen analysiert. In 94 % der Fälle wurden die Entladungsaufzeichnungen erfolgreich als deutlich vom Ausgangswert abweichend (feucht) markiert, wobei in 87,5 % der Fälle deutliche Unterschiede für alle 5 SMs nachgewiesen wurden. Die größte Veränderung gegenüber dem Ausgangswert wurde für SM2 dokumentiert (218 %). Unüberwachtes, verblindetes Clustering von nicht markierten Aufnahme- und Entlassungsdaten von 9 Patienten wurde für alle 5 SMs nachgewiesen.
Schlussfolgerungen
Automatisierte Sprachanalyse kann Stimmveränderungen identifizieren, die auf den HF-Status hinweisen.