TY - THES A1 - Münsterer, Sascha Ottmar T1 - Prognostische Wertigkeit der Herzfrequenz in Abhängigkeit von implantierten Devices bei akuter Herzinsuffizienz: Ergebnisse des prospektiven AHF-Registers Würzburg T1 - Prognostic value of heart rate depending on cardiovascular implantable electronic devices in acute heart failure: results from the prospective AHF-Register Würzburg N2 - Aims This study investigated, whether an activated R-mode, a surrogate of chronotropic incompetence in patients carrying a cardiovascular implantable electronic device (CIED), is associated with worse prognosis during and after an episode of acutely decompensated heart failure (AHF). Methods and Results Six hundred and twenty-three patients participating in an ongoing prospective cohort study that phenotypes and follows patients admitted for AHF were studied. We compared CIED carriers with R-mode stimulation (n=37) to CIED carriers not in R-mode (n=64) and patients without CIEDs (n=511). Mean heart rate on admission was significantly lower in R-mode patients vs. patients with CIED but without R-mode or patients withour CIED. In-hospital mortality was similar across groups, but age- and sex-adjusted 12-month mortality risk was higher in R-mode group. These effects persisted after multivariable adjustment for comorbidity burden. Conclusion In patients admitted for AHF, R-mode stimulation was associated with a significantly increased 12-month mortality risk. Our findings suggest that chronotropic incompetence per se mediates an adverse outcome and may not be adequately treated through accelerometer-based R-mode stimulation during and after an episode of AHF. N2 - Ziele Diese Studie untersuchte, ob ein aktivierter R-Modus, als Surrogat für eine chronotrope Inkompetenz, bei Patienten mit kardialem Device (CIED), mit einer schlechteren Prognose während und nach einer Episode von akuter Herzinsuffizienz (AHF) verbunden ist. Methoden und Ergebnisse 623 Patienten, die an einer laufenden prospektiven Kohortenstudie zur Phänotypisierung von Patienten mit akuter Herzinsuffizienz teilnahmen, wurden untersucht. Wir verglichen CIED-Träger mit R-Modus-Stimulation (n=37) mit CIED-Trägern ohne R-Modus (n=64) und Patienten ohne CIED (n=511). Die durchschnittliche Herzfrequenz bei Aufnahme lag bei Patienten im R-Modus signifikant niedriger als bei Patienten mit CIED, aber ohne R-Modus oder Patienten ohne CIED. Zwar war die Krankenhaussterblichkeit in allen Gruppen ähnlich, jedoch zeigte sich das für Alter und Geschlecht adjustierte 12-Monats-Mortalitätsrisiko in der R-Modus-Gruppe signifikant erhöht. Diese Effekte blieben auch nach multivariabler Adjustierung anhand der Komorbiditäten bestehen. Schlussfolgerung Bei Patienten, die wegen AHF aufgenommen wurden, war die Stimulation im R-Modus mit einem signifikant erhöhten 12-Monats-Mortalitätsrisiko verbunden. Unsere Ergebnisse legen nahe, dass chronotrope Inkompetenz per se mit einer erhöhten Vulnerabilität einhergeht und möglicherweise nicht angemessen durch Beschleunigungs-basierte R-Modus-Stimulation während und nach einer AHF-Episode behandelt wird. KW - akute Herzinsuffizienz KW - Herzschrittmacher KW - Chronotrope Inkompetenz KW - Beschleunigungssensor KW - Herzfrequenz KW - cardiovascular implantable electronic device KW - chronotropic incompetence KW - accelerometer-sensor KW - heart rate KW - acute heart failure KW - cardiac device Y1 - 2022 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-287755 N1 - Aus datenschutzrechtlichen Gründen wurde der Zugriff auf den Volltext zu diesem Dokument gesperrt. Eine inhaltlich identische neue Version ist erhältlich unter: https://doi.org/10.25972/OPUS-33029 ER - TY - THES A1 - Münsterer, Sascha Ottmar T1 - Prognostische Wertigkeit der Herzfrequenz in Abhängigkeit von implantierten Devices bei akuter Herzinsuffizienz: Ergebnisse des prospektiven AHF-Registers Würzburg T1 - Prognostic value of heart rate depending on cardiovascular implantable electronic devices in acute heart failure: results from the prospective AHF-Register Würzburg N2 - Aims This study investigated, whether an activated R-mode, a surrogate of chronotropic incompetence in patients carrying a cardiovascular implantable electronic device (CIED), is associated with worse prognosis during and after an episode of acutely decompensated heart failure (AHF). Methods and Results Six hundred and twenty-three patients participating in an ongoing prospective cohort study that phenotypes and follows patients admitted for AHF were studied. We compared CIED carriers with R-mode stimulation (n=37) to CIED carriers not in R-mode (n=64) and patients without CIEDs (n=511). Mean heart rate on admission was significantly lower in R-mode patients vs. patients with CIED but without R-mode or patients withour CIED. In-hospital mortality was similar across groups, but age- and sex-adjusted 12-month mortality risk was higher in R-mode group. These effects persisted after multivariable adjustment for comorbidity burden. Conclusion In patients admitted for AHF, R-mode stimulation was associated with a significantly increased 12-month mortality risk. Our findings suggest that chronotropic incompetence per se mediates an adverse outcome and may not be adequately treated through accelerometer-based R-mode stimulation during and after an episode of AHF. N2 - Ziele Diese Studie untersuchte, ob ein aktivierter R-Modus, als Surrogat für eine chronotrope Inkompetenz, bei Patienten mit kardialem Device (CIED), mit einer schlechteren Prognose während und nach einer Episode von akuter Herzinsuffizienz (AHF) verbunden ist. Methoden und Ergebnisse 623 Patienten, die an einer laufenden prospektiven Kohortenstudie zur Phänotypisierung von Patienten mit akuter Herzinsuffizienz teilnahmen, wurden untersucht. Wir verglichen CIED-Träger mit R-Modus-Stimulation (n=37) mit CIED-Trägern ohne R-Modus (n=64) und Patienten ohne CIED (n=511). Die durchschnittliche Herzfrequenz bei Aufnahme lag bei Patienten im R-Modus signifikant niedriger als bei Patienten mit CIED, aber ohne R-Modus oder Patienten ohne CIED. Zwar war die Krankenhaussterblichkeit in allen Gruppen ähnlich, jedoch zeigte sich das für Alter und Geschlecht adjustierte 12-Monats-Mortalitätsrisiko in der R-Modus-Gruppe signifikant erhöht. Diese Effekte blieben auch nach multivariabler Adjustierung anhand der Komorbiditäten bestehen. Schlussfolgerung Bei Patienten, die wegen AHF aufgenommen wurden, war die Stimulation im R-Modus mit einem signifikant erhöhten 12-Monats-Mortalitätsrisiko verbunden. Unsere Ergebnisse legen nahe, dass chronotrope Inkompetenz per se mit einer erhöhten Vulnerabilität einhergeht und möglicherweise nicht angemessen durch Beschleunigungs-basierte R-Modus-Stimulation während und nach einer AHF-Episode behandelt wird. KW - Herzschrittmacher KW - Beschleunigungssensor KW - Herzfrequenz KW - akute Herzinsuffizienz KW - Chronotrope Inkompetenz KW - cardiovascular implantable electronic device KW - chronotropic incompetence KW - accelerometer-sensor KW - heart rate KW - acute heart failure KW - cardiac device Y1 - 2022 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-330293 N1 - Dieses Dokument wurde aus Datenschutzgründen - ohne inhaltliche Änderungen - erneut veröffentlicht. Die ursprüngliche Veröffentlichung war am 19.10.2022 ER - TY - THES A1 - Seer, Nadja T1 - Prognostische Relevanz des Komorbiditätenprofils bei Patienten mit akut dekompensierter Herzinsuffizienz und erhaltener Pumpfunktion (HFpEF) T1 - Prognostic relevance of the comorbidity profile in patients with decompensated heart failure and preserved ejection fraction (HFpEF) N2 - Begleitend zu einer Herzinsuffizienz vorliegende Komorbiditäten haben sowohl auf den Krankheitsverlauf als auch auf die Behandlung und Prognose solcher Patienten einen entscheidenden Einfluss. Ziel der vorliegenden Arbeit war es, Patienten mit Herzinsuffizienz mit erhaltener Pumpfunktion (HFpEF) anhand von elf begleitend zur Herzinsuffizienz vorliegenden Komorbiditäten einer von sechs Phänogruppen zuzuteilen und diese Phänogruppen prognostisch einzuschätzen. Dies wurde nach Vorlage der polytomen latenten Klassenanalyse (poLCA) von David Kao et al., veröffentlicht im Jahr 2015 im European Journal of Heart Failure, durchgeführt. Mithilfe einer poLCA können innerhalb einer Population Subgruppen mit ähnlichen Merkmalsausprägungen identifiziert werden. Die Patienten der vorliegenden Arbeit stammten aus dem Kollektiv des AHF (Acute-Heart-Failure-) Registers der Universitätsklinik Würzburg. Zusätzlich wurde mit denselben elf Variablen eine von der Vergleichspublikation unabhängige poLCA für die Patienten des AHF-Registers erstellt, sowie eine dritte poLCA, die zusätzlich die Höhe des NT-proBNP berücksichtigte. Die Ergebnisse der Arbeit zeigten, dass die poLCA von Kao et al. durchaus auf andere Studienpopulationen übertragen werden kann, um Patienten mit HFpEF im klinischen Alltag mit wenig Aufwand prognostisch einschätzen zu können. Mehr statistisch signifikante Ergebnisse wurden allerdings bei Anwendung einer eigenen poLCA für das AHF-Register erzielt. Die Höhe des NT-proBNP hatte signifikanten Einfluss auf die Prognose und Klassenzuteilung eines Patienten. N2 - In the context of heart failure, comorbidities accompanying the condition have a decisive impact on the course of the disease, as well as on the treatment and prognosis of such patients. The aim of this study was to allocate patients with heart failure with preserved ejection fraction (HFpEF) into on of six phenogroups based on eleven comorbidities accompanying heart failure, and to assess the prognostic implications of these phenogroups. This was done using polytomous latent class analysis (poLCA) as proposed by David Kao et al., published in 2015 in the European Journal of Heart Failure. PoLCA helps to identify subgroups with similar characteristic patterns within a population. The patients in this study were sourced from the Acute-heart-Failure (AHF) registry at the University Hospital Würzburg. Additionally, an independent poLCA for the AHF-Registry patients was conducted using the same eleven variables, along with a third poLCA that considered the level of NT-proBNP. The results of the study indicated that Kao et al.’s poLCA could be applied to other study populations for the prognostic assessment of HFpEF patients in clinical practice with minimal effort. However, more statistically significant results were obtained when using a custom poLCA for the AHF Registry. The level of NT-proBNP significantly influenced the prognosis and classification allocation of a patient. KW - Herzinsuffizienz Y1 - 2024 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-347969 ER - TY - THES A1 - Allgaier, Johannes T1 - Machine Learning Explainability on Multi-Modal Data using Ecological Momentary Assessments in the Medical Domain T1 - Erklärbarkeit von maschinellem Lernen unter Verwendung multi-modaler Daten und Ecological Momentary Assessments im medizinischen Sektor N2 - Introduction. Mobile health (mHealth) integrates mobile devices into healthcare, enabling remote monitoring, data collection, and personalized interventions. Machine Learning (ML), a subfield of Artificial Intelligence (AI), can use mHealth data to confirm or extend domain knowledge by finding associations within the data, i.e., with the goal of improving healthcare decisions. In this work, two data collection techniques were used for mHealth data fed into ML systems: Mobile Crowdsensing (MCS), which is a collaborative data gathering approach, and Ecological Momentary Assessments (EMA), which capture real-time individual experiences within the individual’s common environments using questionnaires and sensors. We collected EMA and MCS data on tinnitus and COVID-19. About 15 % of the world’s population suffers from tinnitus. Materials & Methods. This thesis investigates the challenges of ML systems when using MCS and EMA data. It asks: How can ML confirm or broad domain knowledge? Domain knowledge refers to expertise and understanding in a specific field, gained through experience and education. Are ML systems always superior to simple heuristics and if yes, how can one reach explainable AI (XAI) in the presence of mHealth data? An XAI method enables a human to understand why a model makes certain predictions. Finally, which guidelines can be beneficial for the use of ML within the mHealth domain? In tinnitus research, ML discerns gender, temperature, and season-related variations among patients. In the realm of COVID-19, we collaboratively designed a COVID-19 check app for public education, incorporating EMA data to offer informative feedback on COVID-19-related matters. This thesis uses seven EMA datasets with more than 250,000 assessments. Our analyses revealed a set of challenges: App user over-representation, time gaps, identity ambiguity, and operating system specific rounding errors, among others. Our systematic review of 450 medical studies assessed prior utilization of XAI methods. Results. ML models predict gender and tinnitus perception, validating gender-linked tinnitus disparities. Using season and temperature to predict tinnitus shows the association of these variables with tinnitus. Multiple assessments of one app user can constitute a group. Neglecting these groups in data sets leads to model overfitting. In select instances, heuristics outperform ML models, highlighting the need for domain expert consultation to unveil hidden groups or find simple heuristics. Conclusion. This thesis suggests guidelines for mHealth related data analyses and improves estimates for ML performance. Close communication with medical domain experts to identify latent user subsets and incremental benefits of ML is essential. N2 - Einleitung. Unter Mobile Health (mHealth) versteht man die Nutzung mobiler Geräte wie Handys zur Unterstützung der Gesundheitsversorgung. So können Ärzt:innen z. B. Gesundheitsinformationen sammeln, die Gesundheit aus der Ferne überwachen, sowie personalisierte Behandlungen anbieten. Man kann maschinelles Lernen (ML) als System nutzen, um aus diesen Gesundheitsinformationen zu lernen. Das ML-System versucht, Muster in den mHealth Daten zu finden, um Ärzt:innen zu helfen, bessere Entschei- dungen zu treffen. Zur Datensammlung wurden zwei Methoden verwendet: Einerseits trugen zahlreiche Personen zur Sammlung von umfassenden Informationen mit mo- bilen Geräten bei (sog. Mobile Crowdsensing), zum anderen wurde den Mitwirkenden digitale Fragebögen gesendet und Sensoren wie GPS eingesetzt, um Informationen in einer alltäglichen Umgebung zu erfassen (sog. Ecologcial Momentary Assessments). Diese Arbeit verwendet Daten aus zwei medizinischen Bereichen: Tinnitus und COVID-19. Schätzungen zufolge leidet etwa 15 % der Menschheit an Tinnitus. Materialien & Methoden. Die Arbeit untersucht, wie ML-Systeme mit mHealth Daten umgehen: Wie können diese Systeme robuster werden oder neue Dinge lernen? Funktion- ieren die neuen ML-Systeme immer besser als einfache Daumenregeln, und wenn ja, wie können wir sie dazu bringen, zu erklären, warum sie bestimmte Entscheidungen treffen? Welche speziellen Regeln sollte man außerdem befolgen, wenn man ML-Systeme mit mHealth Daten trainiert? Während der COVID-19-Pandemie entwickelten wir eine App, die den Menschen helfen sollte, sich über das Virus zu informieren. Diese App nutzte Daten der Krankheitssymptome der App Nutzer:innen, um Handlungsempfehlungen für das weitere Vorgehen zu geben. Ergebnisse. ML-Systeme wurden trainiert, um Tinnitus vorherzusagen und wie er mit geschlechtsspezifischen Unterschieden zusammenhängen könnte. Die Verwendung von Faktoren wie Jahreszeit und Temperatur kann helfen, Tinnitus und seine Beziehung zu diesen Faktoren zu verstehen. Wenn wir beim Training nicht berücksichtigen, dass ein App User mehrere Datensätze ausfüllen kann, führt dies zu einer Überanpassung und damit Verschlechterung des ML-Systems. Interessanterweise führen manchmal einfache Regeln zu robusteren und besseren Modellen als komplexe ML-Systeme. Das zeigt, dass es wichtig ist, Experten auf dem Gebiet einzubeziehen, um Überanpassung zu vermeiden oder einfache Regeln zur Vorhersage zu finden. Fazit. Durch die Betrachtung verschiedener Langzeitdaten konnten wir neue Empfehlun- gen zur Analyse von mHealth Daten und der Entwicklung von ML-Systemen ableiten. Dabei ist es wichtig, medizinischen Experten mit einzubeziehen, um Überanpassung zu vermeiden und ML-Systeme schrittweise zu verbessern. KW - Maschinelles Lernen KW - Explainable Artificial Intelligence KW - Mobile Health KW - Machine Learning KW - Explainable AI KW - Mobile Crowdsensing KW - Ecological Momentary Assessments Y1 - 2024 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-351189 ER -