Vorhofflimmern (AFib) ist eine der drei Hauptursachen für Schlaganfälle. Die derzeitige Praxis für diese Untersuchungen bzw. Überwachung erfolgt in der Regel über Holter-Systeme oder Ereignismonitore. Dieses Vorgehen ist jedoch für Patienten und Ärzte unbequem, die Erkennungsrate ist begrenzt. Um dieses Problem zu lösen, wurde eine Technologie entwickelt, die es ermöglicht, AFib effizienter zu diagnostizieren. Maisense hat es sich zur Aufgabe gemacht, Patienten bei der Früherkennung von Vorhofflimmern zu unterstützen und Ärzten dabei zu helfen, ihren Patienten eine bessere kardiovaskuläre Versorgung zu bieten.
Die Technologie besteht aus einem EKG-Aufnahmegerät Freescan und einem Softwaresystem (App und Patient Care System). Der Patient nimmt regelmäßig Messungen mittels Freescan vor. Nach jeder Messung wird eine zehn Sekunden lange EKG-Aufzeichnung in die Cloud hochgeladen und durch einen speziell entwickelten KI-Algorithmus analysiert (1). So kann festgestellt werden, ob Warnsignale bzw. Vorhofflimmern vorliegen könnten. Wird die Aufzeichnung als AFib interpretiert wird, muss der zuständige Arzt es überprüfen und gegebenenfalls korrigieren, wenn etwas „falsch positiv“ oder „falsch negativ“ ist. Falls der Arzt dies für notwendig hält, können Nachrichtenan die App des Patienten gesendet werden.
Es gibt Geschäftsmodelle:
a) Kauf von Freescan-Gerät und App durch den Endkunden, in der Apotheke, Einzelhandelsgeschäften oder Kliniken. Die App kann kostenlos im iOS App Store und im Google Play Store heruntergeladen werden.
b) Die Patienten können den Service über Kliniken oder Allgemeinärzte mit Freescan-Gerät abonnieren. Aus dem Patientenversorgungssystem wird ein monatlicher Gesundheitsbericht generiert. Sollten darin Abweichungen von den Normalwerten festgestellt werden, kann der Arzt die Ergebnisse seinem Patienten direkt und zeitnah über die App mitteilen.
zu 1) Zunächst werden aus den 10-sekündigen EKG-Aufzeichnungssequenzen von R-R-Intervallen mit einer fortgeschrittenen R-Spitzen-Detektion erzeugt, die in der MIT-BIH-Arrhythmie-Datenbank eine QRS-Erkennungsrate von 99,71% erreicht. Der AFib-Erkennungsansatz umfasst eine Merkmalsextraktion, die die Variabilität von RRIs unter Berücksichtigung der Shannon-Entropie und der Markov-Verarbeitung extrahieren kann, und bezieht dabei das tiefe neuronale Netzwerk (DNN) als Klassifikationsfaktor zur Interpretation der Arrhythmietypen (d.h. AFib und „non-AFib“) mit ein. Um die falsch-positive Rate zu senken, haben wir auch einen Ansatz vorgeschlagen, der auch das Vorkommen von P-Wellen, ein entscheidendes Informationskriterium in der AFib-Diagnose, in die Bewertungsmatrix des DNN zu integrieren.