Elektrokardiogramme (ECGs) werden weit verbreitet zur klinischen Erkennung kardialer Arrhythmien (CAs) eingesetzt und finden zudem zunehmend Anwendung bei der Entwicklung computerunterstützter Verfahren zur Diagnose von Herzkrankheiten. Wir haben ein Convolutional Neural Network (CNN)-Modell entwickelt, um CAs zu detektieren und zu klassifizieren, basierend auf einer umfangreichen 12-Leitungs-ECG-Datenbank (6.877 Aufnahmen), die im Rahmen der China Physiological Signal Challenge (CPSC) 2018 bereitgestellt wurde. Unser Modell erreichte bei der Challenge den ersten Platz und erzielte für die Neun-Klassen-Klassifikation von CAs im versteckten Testset der CPSC2018 (2.954 ECG-Aufnahmen) einen medianen Gesamtf1-Score von 0,84. Eine weitere Analyse zeigte, dass gleichzeitige CAs bei 476 Patienten mit mehrfachen Arrhythmiediagnosen im Datensatz hinreichend gut vorhersagbar waren. Die Nutzung lediglich einleitungsbezogener Daten führte zu einer Leistung, die nur geringfügig schlechter war als bei der Verwendung der vollständigen 12-Leitungs-Daten, wobei die Leitungen aVR und V1 besonders herausragende Bedeutung zeigten. Wir diskutieren diese Ergebnisse ausführlich im Kontext ihrer Übereinstimmung mit und Relevanz für klinische Beobachtungen.