Die Studie hatte zwei Ziele: einerseits, die Genauigkeit eines bereits existierenden automatisierten Auswertetools („Originaldetektor“) durch ML-basiertes Training zu verbessern; zum Anderen, die so gewonnene Präzision mit der bestmöglichen Präzision zu vergleichen, die spezialisierte Echokardiographie-Kräfte erbringen können. Als Datenbasis dienten Echokardiogramme von 4965 Teilnehmern der STAAB-Studie. 3226 Teilnehmende wurden zufällig für das Nachtraining des Originaldetektors ausgewählt. Der nachtrainierte Detektor zeigte eine deutlich geringere Messvariabilität als menschliche Auswerter. Dieser Gewinn an Genauigkeit und Präzision erhöht das Vertrauen in automatisierte echokardiographische Messungen, die ein großes Potenzial für Anwendungen in verschiedenen Bereichen bieten.
Caroline Morbach, Götz Gelbrich, Marcus Schreckenberg, Maike Hedemann, Dora Pelin, Nina Scholz, Olga Miljukov, Achim Wagner, Fabian Theisen, Niklas Hitschrich, Hendrik Wiebel, Daniel Stapf, Oliver Karch, Stefan Frantz, Peter U Heuschmann, Stefan Störk. Population data–based federated machine learning improves automated echocardiographic quantification of cardiac structure and function: the Automatisierte Vermessung der Echokardiographie project. European Heart Journal - Digital Health, Volume 5, Issue 1, Pages 77–88 (2024). doi:10.1093/ehjdh/ztad069
