1. Das Machine-Learning-Team von Amazon hat die erste ML-Lösung ihrer Art entwickelt, die das SCA-Risiko in pädiatrischen Screening-EKGs erkennen kann, und das Interpretationstool von Ainthoven übertrifft die Leistung des Menschen.
2. Der plötzliche Herzstillstand (SCA) ist die häufigste Todesursache bei studentischen Sportlern und die häufigste Todesursache auf dem Schulgelände.
3. Jedes Jahr sterben Tausende scheinbar gesunder Studenten unerwartet an unentdeckten Herzerkrankungen, die ihr Risiko für einen plötzlichen Herzstillstand erhöhen.
Am Morgen des 30. November 2007 legte sich Rafe Maccarone während des Schulfußballtrainings zwischen den Aufwärmläufen auf den Rasen, um kurz durchzuatmen. Während sich der Rest seiner Mannschaft dehnte und erholte, blieb Rafe liegen. Als die Mannschaft merkte, dass Rafe bewusstlos war, eilten sie zu ihm – doch es war zu spät. Rafe litt an einer tödlichen, unentdeckten Herzkrankheit, und ein plötzlicher Herzstillstand war sein erstes Symptom. Rafe starb am 1. Dezember 2007, nur wenige Tage vor seinem 16. Geburtstag.
Der plötzliche Herzstillstand ist die häufigste Todesursache bei Schülersportlern und die häufigste Todesursache auf Schulgeländen . Jedes Jahr sterben Tausende scheinbar gesunder Schüler unerwartet an unentdeckten Herzerkrankungen , die ihr Risiko für einen plötzlichen Herzstillstand erhöht hatten.
Um Rafes Andenken zu ehren und andere junge Sportler vor solchen Tragödien zu bewahren, gründeten einige seiner Teamkollegen die gemeinnützige Organisation „ Who We Play For “ (WWPF). WWPF setzt sich für die Prävention des plötzlichen Herzstillstands ein, indem automatisierte externe Defibrillatoren (AEDs) platziert, Reanimationskurse (HLW) angeboten und Herzuntersuchungen durchgeführt werden. Dazu gehören kostengünstige EKG-Untersuchungen durch Ärzte, die auf die Interpretation von Kinder-EKGs spezialisiert sind. EKGs sind das effektivste Instrument, um gefährdete Jugendliche zu identifizieren und bis zu 95 % der lebensbedrohlichen Herzerkrankungen zu erkennen. Bis heute arbeitet WWPF mit über 500 Sportprogrammen in den USA zusammen. Dadurch konnten über 200,000 junge Sportler auf plötzlichen Herzstillstand untersucht und Hunderte von Leben gerettet werden.
Trotz dieses Erfolgs erkannte das WWPF-Team eine Einschränkung bei der weiteren Skalierung dieses Programms. Während sich EKGs zur Erkennung eines plötzlichen Herzstillstands als wirksam erwiesen haben und in anderen Ländern häufig zu diesem Zweck eingesetzt werden, sind in den USA nur wenige Mediziner mit der Interpretation von pädiatrischen Screening-EKGs vertraut. Noch weniger sind Experten darin, Grunderkrankungen zu erkennen, die bei pädiatrischen Patienten zu einem plötzlichen Herzstillstand führen können. Diese mangelnde Interpretation der EKG-Ergebnisse bedeutet, dass weniger junge Menschen die lebensrettenden Informationen erhalten, die sie möglicherweise benötigen. Könnte stattdessen ein Machine-Learning-Modell (ML) trainiert werden, um diese Ergebnisse zu interpretieren?
Diese Frage wollte der WWPF beantworten. In Zusammenarbeit mit Amazon Web Services (AWS) entwickelte der WWPF eine skalierbare ML-Lösung, die jedem jungen Menschen die Möglichkeit bietet, sich auf SCA untersuchen zu lassen. So können die Bemühungen verstärkt und möglicherweise jedes Jahr viele Leben gerettet werden.
WWPF begann die Zusammenarbeit mit AWS im Rahmen der Health Equity Initiative , einem Programm, für das AWS 40 Millionen US-Dollar bereitgestellt hat, um Rechenressourcen und technisches Fachwissen zur Verbesserung der Gesundheitsversorgung von unterversorgten und unterrepräsentierten Bevölkerungsgruppen bereitzustellen. Als Teil des Programms stellte AWS WWPF AWS-Guthaben und technischen Support durch das AWS Professional Services (AWS ProServe)-Team zur Verfügung, um die Umsetzung ihrer Vision zu unterstützen.
WWPF wollte ein Screening-Tool entwickeln, das gedruckte Standard-EKG-Berichte lesen kann, um Ärzten, die mit der Interpretation pädiatrischer EKGs nicht vertraut sind, dabei zu helfen, Risikozeichen für einen plötzlichen Herzstillstand zu erkennen, ohne dass zusätzliche Geräte oder eine direkte Verbindung zu EKG-Geräten erforderlich sind. AWS ProServe stellte WWPF ein Team von Datenwissenschaftlern zur Verfügung, die mit den Technikern und erfahrenen Kinderkardiologen von WWPF zusammenarbeiteten, um die EKG-Screening-Prozesse zu verstehen. Dieses Team entwickelte eine einzigartige ML-Lösung, die das Risiko eines plötzlichen Herzstillstands in pädiatrischen Screening-EKGs erkennen kann.
AWS und WWPF arbeiteten gemeinsam an der Weiterentwicklung des Konzepts und entwickelten eine neuartige, zweistufige ML-Lösung, die die Leistungsfähigkeit von Amazon SageMaker nutzt . Zunächst wurden die EKG-Kurven digitalisiert, indem sie mithilfe herkömmlicher Computer-Vision-Verfahren aus Bildern von EKG-Berichten extrahiert wurden. Anschließend erstellten sie ein Deep-Learning-Modell, um die extrahierten Kurven zu verarbeiten und Risikofaktoren für einen plötzlichen Herzstillstand zu identifizieren. Diese Lösung ermöglichte es WWPF, die Experimentier- und Modellleistung zu maximieren und gleichzeitig die Kosten zu minimieren. So konnte das Unternehmen sein Ziel erreichen, diese Lösung möglichst vielen jungen Sportlern in den USA und weltweit zugänglich zu machen.
Das folgende Diagramm (Abbildung 1) zeigt die vom WWPF und dem AWS-Team entwickelte Lösung.
Abbildung 1. Architekturdiagramm für die Entwicklungsumgebung für das pädiatrische SCA-Modell, im folgenden Abschnitt ausführlicher erläutert.
Die vom Team entwickelte Lösung basierte auf einem Data Lake für die EKG-Daten, der vollständige EKG-Bilder und digitalisierte Kurven auf Amazon Simple Storage Service (Amazon S3) enthielt. Mithilfe eines SageMaker-Verarbeitungsjobs extrahierte das Team die EKG-Kurven aus den EKG-Dokumenten, indem es den Digitalisierungsprozess massenhaft anwendete. Anschließend entwickelte das Team ein Deep-Learning-Modell für SCA (spontaner Herzstillstand) unter Verwendung des SageMaker PyTorch SDK und AWS Deep Learning Containers, um schnelle Experimente mit minimalem Verwaltungsaufwand zu ermöglichen. Das Modell wurde in SageMaker Serverless Inference integriert, um eine kostenoptimierte und skalierbare Lösung zu gewährleisten. Die Modellleistung wurde anhand von Sensitivität und Spezifität gemessen, um die Genauigkeit des Modells bei der Identifizierung von EKGs mit hohem bzw. niedrigem SCA-Risiko zu bestimmen. Das Ergebnis der Modellentwicklung war ein Deep-Learning-Modell mit einer Sensitivität von 78 % und einer Spezifität von 90 %, das sich dem menschlichen Können bei der Auswertung pädiatrischer EKGs annähert.
Um das SCA-ML-Modell weiter zu verbessern, entwickelte das Team eine Pipeline, mit der Kardiologen von WWPF die Vorhersagen des Modells mithilfe von Amazon Augmented AI (Amazon A2I) überprüfen konnten. Mithilfe dieses Tools analysierten erfahrene Kinderkardiologen und Elektrophysiologen von WWPF die Modellvorhersagen und gaben dem Entwicklungsteam wertvolles Feedback. Durch die Nutzung von Amazon A2I zur Überprüfung der Modellvorhersagen und die Verbesserung des Modells auf Basis der medizinischen Beobachtungen von WWPF erreichten das AWS- und WWPF-Team eine Sensitivität und Spezifität von über 93 Prozent und übertrafen damit die menschliche Leistungsfähigkeit. Mit diesen Ergebnissen ist das WWPF-Team seinem Ziel, jedem jungen Sportler die Möglichkeit eines EKG-Screenings auf plötzlichen Herztod zu bieten und so allein in den USA jährlich Tausende von Todesfällen zu verhindern, einen großen Schritt näher gekommen.
Die Ergebnisse des ML-gestützten Interpretationsmodells für pädiatrischen SCA haben die Erwartungen übertroffen. WWPF arbeitet daran, die Leistung des Modells weiter zu verbessern, um dieses Tool in Arztpraxen in den USA und weltweit einzuführen. Das WWPF-Team arbeitet mit Partnerinstitutionen zusammen, um noch mehr EKG-Daten zu sammeln und ihren Datenpool zu erweitern, um das Risikovorhersagemodell weiter zu verbessern und verschiedene zugrunde liegende Herzerkrankungen besser darzustellen. Das WWPF-Team möchte außerdem seine Nutzung von Amazon A2I ausweiten, um die Fähigkeiten des Modells weiter zu verbessern, indem es die Partnerschaft zwischen KI und menschlichen Fachexperten voll ausschöpft, um Ergebnisse in beispiellosem Umfang und mit beispielloser Genauigkeit zu erzielen. Schließlich wird in zukünftigen Arbeiten das zweistufige Design der Lösung genutzt, um zu untersuchen, wie die direkten Trace-Feeds von EKG-Geräten und die neueste Generation von FDA-zugelassenen EKG-Sensoren auf einigen Smartwatches genutzt werden können, um Risikozeichen eines SCA genauer und früher zu erkennen.
Die AWS Health Equity Initiative unterstützt Anwendungen, die die Leistungsfähigkeit der Cloud nutzen, um kulturell sensible Lösungen zu entwickeln, die den Zugang zu Gesundheitsleistungen verbessern, Ungleichheiten durch die Berücksichtigung sozialer Determinanten der Gesundheit verringern, Daten zur Förderung gerechter und inklusiver Versorgungssysteme nutzen und die Chancengleichheit in der Diagnostik und im Screening verbessern. Erfahren Sie mehr darüber, wie AWS gemeinnützige Organisationen unterstützt, im AWS for Nonprofits Hub.
Cenfluence etabliert Organisationen innerhalb einer formellen Clusterstruktur mit allen Vorteilen, die Clustering-Aktivitäten bieten. Dies führt zu erweiterten wirtschaftlichen Möglichkeiten und mehr Arbeitsplätzen in Zentralflorida. Wir arbeiten mit lokalen Organisationen (Cluster-Mitgliedern) zusammen, um Synergien innerhalb der Cluster-Community, bestehende regionale Stärken und ein etabliertes globales Netzwerk zu nutzen und so auf die spezifischen Bedürfnisse von Unternehmen in Zentralflorida einzugehen.