Die Rolle der automatischen Elektrokardiogramm-(ECG-)Analyse in der klinischen Praxis ist durch die Genauigkeit der vorhandenen Modelle begrenzt. Tiefenschichtneuronale Netze (Deep Neural Networks, DNNs) sind Modelle, die aus gestapelten Transformationen bestehen und Aufgaben durch Beispiele lernen. Diese Technologie hat in letzter Zeit in verschiedenen Bereichen erstaunliche Erfolge erzielt, und es gibt große Erwartungen hinsichtlich ihrer möglichen Verbesserung der klinischen Praxis. Hier stellen wir ein DNN-Modell vor, das anhand eines Datensatzes mit mehr als 2 Millionen etikettierten Untersuchungen trainiert wurde, die vom Telehealth-Netzwerk von Minas Gerais analysiert und im Rahmen der CODE-Studie (Clinical Outcomes in Digital Electrocardiology) gesammelt wurden. Das DNN übertrifft medizinische Ärzte im Fachbereich Kardiologie bei der Erkennung von sechs Arten von Abnormitäten in 12-Führung-ECG-Aufzeichnungen, wobei F1-Werte über 80 % und Spezifitätswerte über 99 % erreicht werden. Diese Ergebnisse deuten darauf hin, dass ECG-Analysen auf Basis von DNNs, die bisher nur in Einzelführungsaufbauten untersucht wurden, sich gut auf 12-Führung-Untersuchungen übertragen lassen und die Technologie näher an den Standard der klinischen Praxis bringt.