Ein künstlich intelligenter (KI) Algorithmus, der einen herkömmlichen Elektrokardiogramm (ECG)-Befund analysiert, könnte künftig helfen, Patienten mit nachgeborener Tetralogie von Fallot – einer angeborenen Herzfehler, die in der Kindheit operativ korrigiert wird – gezielt auf Risiken für schädliche Veränderungen des Herzens hin zu überwachen. Forscher des Mount Sinai Kravis Children’s Heart Center führten eine multizentrische Studie durch, bei der sie ein KI-Modell entwickelten und an Daten aus fünf nordamerikanischen Krankenhäusern validierten. Die Studie, finanziert durch die National Institutes of Health, wurde in der Fachzeitschrift European Heart Journal – Digital Health veröffentlicht. Tetralogie von Fallot erfordert in der Regel eine Operation im Kindesalter, doch die Betroffenen benötigen lebenslange Nachsorge, um Veränderungen in Größe und Funktion des Herzens frühzeitig zu erkennen. Bislang ist die magnetresonanztomographische (MRI) Bildgebung der Goldstandard für diese Überwachung – doch sie ist kostenintensiv, zeitaufwendig und nicht überall verfügbar. Viele Patienten versäumen daher empfohlene Untersuchungen. Das neu entwickelte KI-Modell wurde an ECG- und MRI-Daten von Patienten mit korrigierter Tetralogie von Fallot trainiert und lernte, Muster im EKG zu erkennen, die mit einer ventrikulären Remodellierung – also einer Veränderung der Herzkammergröße und Pumpfunktion – korrelieren. Die Ergebnisse zeigten, dass das Modell mit hoher Genauigkeit Patienten identifizieren kann, die ein erhöhtes Risiko für klinisch relevante Veränderungen haben. „Diese Forschung zeigt, wie KI aus einem routinemäßigen EKG neuen Wert schöpfen kann“, betont Son Duong, Hauptautor der Studie und Assistenzprofessor an der Icahn School of Medicine am Mount Sinai. „Unser Ziel ist es, die lebenslange Herzüberwachung für Menschen mit angeborenen Herzfehlern zugänglicher und effizienter zu gestalten.“ Wichtig ist, dass das KI-Tool nicht als Ersatz für die MRI gilt, sondern als Screening-Tool, das Ärzte bei der Entscheidung unterstützt, wann eine detaillierte Bildgebung dringend erforderlich ist. „Da KI in der Medizin immer stärker Einzug hält, ist es entscheidend, diese Werkzeuge in vielfältigen klinischen Umgebungen rigoros zu validieren“, betont Girish Nadkarni, Mit-Hauptautor und Leiter des Hasso-Plattner-Instituts für Digitale Gesundheit. Die Forscher planen nun prospektive klinische Studien, um die Wirksamkeit des KI-ECG-Ansatzes in der Praxis zu testen, und arbeiten an einer Anpassung des Modells für jüngere Patienten. Langfristig soll das System in die routinemäßige klinische Versorgung integriert werden, um die Überwachung von Patienten mit angeborenen Herzfehlern nachhaltig zu verbessern. Die Entwicklung markiert einen bedeutenden Schritt hin zu personalisierter, zugänglicher und datengestützter Herzmedizin. Experten sehen darin ein Modell für die Integration von KI in die Langzeitüberwachung chronischer Erkrankungen – besonders in der pädiatrischen Kardiologie. Die Mount Sinai-Gruppe, führend in der KI-gestützten Gesundheitsforschung, positioniert sich damit als Vorreiter im Bereich digitaler Herzdiagnostik.