Explainable AI in continuously learning systems for heart failure

Die Herzinsuffizienz ist eine sehr häufige Erkrankung, deren Prävalenz in den kommenden Jahren aufgrund der alternden Bevölkerung weiter massiv ansteigen wird. Die klinische Präsentation und der Verlauf sind variabel, und die Ursachen sind komplex und multifaktoriell. Die Erhebung multimodaler Daten (Proteomics, Genomics, Sensordaten, quantitative Bildgebung) hat bereits zu erheblichen Wissensgewinnen beigetragen. Große Populationsstudien wie die Biobank UK unterstützen ebenfalls dabei, Risiken und Prognosen besser abschätzen zu können. Ziel des Projekts ist die Entwicklung und Implementierung von XAI-Modellen zur Verbesserung der Diagnostik und Prognose der Herzinsuffizienz mit besonderem Fokus auf die RV-Insuffizienz.

Die Prävalenz von Herzinsuffizienz (HF) nimmt stetig zu – mit inakzeptabel hoher Morbidität und Mortalität. Diagnose und klinische Behandlung basieren derzeit auf der linksventrikulären Auswurffraktion, wobei wir HF mit erhaltener EF (HFpEF) als eigenes Krankheitsbild von Herzinsuffizienz mit reduzierter EF (HFrEF) unterschieden. Fast alle Therapiestrategien, die bei HFrEF die Prognose verbessern sind in HFpEF unwirksam, sodass es bisher keine prognostisch wirksame Therapie für die große Gruppe an HFpEF Patienten gibt (~50% aller HF Patienten). 

In diesem SFB folgen wir einem interdisziplinären Ansatz von Organismus zu Zelle zu Molekül, um HFpEF als heterogenes systemisches Krankheitsbild zu charakterisieren. Wir prüfen dabei die zentrale Hypothese, dass die Dysregulation systemischer, hämodynamischer, metabolischer und inflammatorischer Signalwege Grundlage für die Entwicklung unterschiedlicher HFpEF Phänotypen ist – mit unterschiedlichen pathophysiologischen Charakteristika, die auf unterschiedliche gezielte Therapien ansprechen. Dazu nutzen wir unsere Expertisen in Omics-Technologien, erweiterter Bildgebung, funktioneller Phänotypisierung, KI und computergestützter Modellierung.