Physikbasierte Selbstüberwachung: Herz‑Kreislaufereignisse ohne CFD

Herz-Kreislauf-Erkrankungen sind weltweit die häufigste Todesursache, wobei die koronare Herzkrankheit (KHK) die häufigste Form darstellt. Für eine frühzeitige Risikoeinschätzung werden 3‑D‑Digitale Zwillinge der Koronararterien aus Bilddaten genutzt, doch deren Analyse erfordert bislang rechenintensive Strömungssimulationen (CFD), die die Skalierbarkeit stark einschränken.

Das neue Verfahren PINS‑CAD nutzt physikbasierte, selbstüberwachende Lernmethoden, um Graph‑Neuronale Netze auf 200.000 synthetischen Koronarzwillinge vorzuschulen. Dabei werden die 1‑D‑Navier‑Stokes‑Gleichungen und Druckabfallgesetze als Leitfaden verwendet, sodass keine CFD‑Simulationen oder gelabelten Daten nötig sind.

Nach dem Vortraining wird das Modell an klinischen Daten von 635 Patienten aus dem mehrzentralen FAME2‑Studie feinjustiert. PINS‑CAD erreicht dabei eine AUC von 0,73 für die Vorhersage zukünftiger kardiovaskulärer Ereignisse und übertrifft sowohl etablierte klinische Risikobewertungen als auch reine datengetriebene Baselines. Das Ergebnis zeigt, dass physikbasierte Vortrainings die Stichprobeneffizienz steigern und physiologisch sinnvolle Repräsentationen liefern.

Zusätzlich erzeugt PINS‑CAD räumlich aufgelöste Druck- und Fraktionale-Flow‑Reserve‑Kurven, die als interpretierbare Biomarker dienen. Durch die Einbettung physikalischer Vorgaben in die geometrische Tiefenlernarchitektur verwandelt PINS‑CAD die Routineangiographie in ein simulationsfreies, physiologie‑bewusstes System, das skalierbare Präventionskardiologie ermöglicht.