KI und die schwierigen Probleme der Welt · Medizin & Wirkstoffforschung · Nature (computational biology) · 2026-10-25
Deep-Learning-basiertes Mapping von Elektroden-Aktionspotenzialen aus annotationsfreien unipolaren Elektrogrammen zur Charakterisierung des Substrats bei Vorhofflimmern
Originaltitel: Deep-learning-based electrode action potential mapping from annotation-free unipolar electrograms for substrate characterization in atrial fibrillation
Die Katheterablation bei nicht-paroxysmalem Vorhofflimmern wird dadurch eingeschränkt, dass sich Bereiche mit abnormaler Erregungsleitung schwer identifizieren lassen. Das Team entwickelte DEAP Mapping, eine Deep-Learning-Methode, die das Membranpotenzial aus annotationsfreien unipolaren Elektrogrammen rekonstruiert. In ex vivo untersuchten Schweineherzen stimmte sie deutlich besser mit dem optischen Mapping überein als herkömmliche Aktivierungskarten (SSIM 0.87 vs. 0.36), und in einer retrospektiven Studie mit 12 Patienten wichen ihre Erregungsleitungsmuster teilweise von denen bestehender Methoden ab.