Herz-Check ohne Echo: Wie ein Algorithmus B2-Hunde in der Praxisakte aufspürt

Ein elfjähriger Malteser, Herzgeräusch Grad 4/6, Vertebral Heart Score (VHS) 11,2 – knapp unter dem Wert von 11,5, ab dem die Leitlinie ohne Echo ein Stadium B2 vermuten lässt. Pimobendan oder abwarten? Ohne Herzultraschall bleibt das eine Ermessensfrage, und der Termin beim Kardiologen ist oft Wochen entfernt. Ein Team der Chungbuk National University in Südkorea hat einem Algorithmus beigebracht, diese Frage aus genau den Daten zu beantworten, die nach Untersuchung, Blutbild und Thoraxröntgen ohnehin in der Patientenakte stehen.

Das Problem: Die wichtigste Grenze verläuft im Echo

Bei der myxomatösen Mitralklappenerkrankung (MMVD) entscheidet das Stadium B2 nach den Leitlinien des American College of Veterinary Internal Medicine (ACVIM) über die Therapie: Seit der EPIC-Studie ist belegt, dass Pimobendan ab hier den Beginn der Herzinsuffizienz hinauszögern kann. Ob ein Hund B2 erreicht hat, zeigt aber zuverlässig erst die Echokardiographie mit Vorhof- und Kammermaßen. Wer kein Echo im Haus hat, behilft sich mit dem Röntgen und festen Grenzwerten – und genau dort setzt die Studie an.

So denkt das Modell

Eine Leitlinie arbeitet mit Schwellen: VHS ab 11,5 oder Vertebral Left Atrial Size (VLAS) ab 3,0 – Verdacht auf B2. Jeder Wert wird für sich betrachtet und ein Hund knapp darunter fällt durchs Raster.

Das Modell der koreanischen Arbeitsgruppe geht anders vor. Es nutzt ein Verfahren namens Gradient Boosting (Tech-Glossar) und besteht aus 100 kleinen Entscheidungsbäumen, die nacheinander gebaut werden. Jeder Baum stellt nur wenige Ja-Nein-Fragen an die Daten eines Hundes – vereinfacht etwa so: Liegt der VHS über einem bestimmten Wert? Ist das C-reaktive Protein (CRP) erhöht? Wie laut ist das Herzgeräusch? Für sich allein ist so ein Baum ein schwacher Ratgeber. Der Clou: Jeder neue Baum wird gezielt auf die Fälle trainiert, bei denen seine Vorgänger danebenlagen.

Man kann sich das vorstellen wie eine Checkliste, die nach jeder Fehleinschätzung um eine Frage ergänzt wird – nur dass das Modell diesen Lernprozess hundertfach in Sekunden durchläuft. Gelernt hat es an Hunden, deren Stadium per Echo gesichert war. Das Echo diente dabei nur als Lösungsschlüssel im Training; als Eingabe bekommt das Modell ausschließlich Routinedaten: rund 50 Werte aus Signalement, klinischer Untersuchung, Blutbild, Serumchemie, Urinbefund und den beiden Röntgenmaßen VHS und VLAS.

Am Ende steht kein starres Ja oder Nein, sondern eine Wahrscheinlichkeit für B2. Und weil das Modell alle Werte gleichzeitig verrechnet, kann ein etwas zu großes Herz im Röntgen zusammen mit einem auffälligen Laborwert ein Gesamtbild ergeben, das jeder Einzelwert für sich nicht hergibt.

Funktioniert es?

Ausgewertet wurden 387 Hunde, überwiegend kleine Rassen. Das Modell lernte an 80 Prozent der Daten und musste sich dann an den übrigen 80 Hunden bewähren, die es nie gesehen hatte. Gemessen an der Area under the Curve (AUC) – einem Gesamtmaß, wie gut ein Test Kranke von Nicht-Kranken trennt, wobei 1,0 perfekt und 0,5 Zufall bedeutet – erreichte es 0,92. Das ist ein sehr guter Wert.

Aufschlussreich ist ein Gegenversuch: Ein Modell, das nur die beiden Röntgenmaße nutzte, kam auf eine AUC von 0,84. Das deutet darauf hin, dass Blutbild, Chemie und Klinik zusätzliche Information liefern. Am stärksten gewichtete das Modell zwar den VHS, gefolgt von VLAS und CRP – doch erst das Zusammenspiel vieler Werte machte es besser.

Ein Wermutstropfen: Als die Forschenden die Aufteilung in Trainings- und Testdaten 20-mal neu mischten, blieb die Gesamttrennschärfe zwar stabil, doch das Modell erkannte im Mittel nur noch knapp sieben von zehn B2-Hunden. Beim ersten Testlauf hatte es also eher Glück.

Was ist daran neu?

• Vorher: Ohne Echo stützt sich die B2-Einschätzung auf Einzelparameter mit festen Grenzwerten. Ein früheres Machine-Learning-Modell zur MMVD-Einteilung nutzte selbst Echodaten; andere Ansätze werteten nur Herzgeräusche oder Röntgenbilder aus.
• Jetzt: Ein Modell, das ausschließlich vorhandene Routinedaten kombiniert und eine Wahrscheinlichkeit liefert. Bemerkenswert: Die B2-Hunde dieser Studie lagen im Median mit VHS und VLAS unter den Leitlinien-Grenzwerten – feste Schwellen hätten viele von ihnen übersehen.
• Aber: Über viele Datenaufteilungen hinweg erkennt das Modell im Mittel nur rund 70 Prozent der B2-Hunde, und es wurde nur an Hunden einer einzigen Klinik geprüft.

Wohin führt das?

Die Studie steht für einen Trend, der in der Humanmedizin schon weiter ist: Routinedaten, die in der Praxissoftware ohnehin anfallen, werden selbst zum Diagnosewerkzeug. Denkbar wäre, dass ein solches Modell eines Tages im Hintergrund der Praxissoftware mitläuft und bei einem Hund mit Herzgeräusch automatisch eine B2-Wahrscheinlichkeit anzeigt, sobald Labor und Röntgen vorliegen. Kombiniert mit KI-gestützter Röntgenauswertung, die VHS und VLAS automatisch misst, könnte die Einschätzung sogar ohne manuelles Ausmessen entstehen. Bis dahin wären aber mehrere Schritte nötig: eine Prüfung an Hunden aus anderen Kliniken und Ländern, an anderen Rassen und mit anderen Röntgengeräten – und eine Anbindung an die Software, mit der Praxen tatsächlich arbeiten.

Stand der Dinge

Ein Produkt gibt es nicht; das Modell ist ein Forschungsprototyp. Die Autoren verstehen es ausdrücklich nicht als Ersatz für den Herzultraschall, sondern als Entscheidungshilfe bei der Frage, welcher Hund zuerst zum Kardiologen sollte.

Fazit für die Praxis

Sollte sich das Modell in unabhängigen Daten bestätigen, könnte es Praxen ohne Echokardiographie helfen, B2-Kandidaten früher und gezielter zu überweisen. Ein Gedanke dürfte schon heute tragen: Röntgenwerte knapp unter dem Leitlinien-Grenzwert schließen ein Stadium B2 nicht sicher aus.

Einordnung & Grenzen dieser Studie

• Retrospektive Daten aus einer einzigen Klinik, überwiegend kleine Rassen; eine externe Validierung fehlt.
• Über 20 Neuaufteilungen lag die Sensitivität im Mittel nur bei 69 %, deutlich unter den 81,5 % des ersten Testlaufs.
• Gesunde Hunde und B1-Patienten wurden gemeinsam als „Nicht-B2“ gewertet; die klinisch entscheidende Abgrenzung B1 gegen B2 wurde nicht gesondert geprüft.
• Das Modell hängt stark von den Röntgenmaßen ab – Lagerung und Messqualität beeinflussen das Ergebnis.

Quelle: Nam H, Jeong K, Seo H, Chae Y, Kang B-T, Lee E, Yun T, Kim H. Predicting stage B2 myxomatous mitral valve disease in dogs using machine learning and routine clinical data.
Frontiers in Veterinary Science, 2026
https://doi.org/10.3389/fvets.2026.1924412
Lizenz CC BY 4.0; die Abbildung stammt aus der Originalstudie.