Neue KI erkennt und prognostiziert Herzkrankheiten per EKG

Wissenschaftler des Scripps Research Institute haben ein neues KI-basiertes Analyseverfahren namens ECG-CLIP vorgestellt, das in der Fachzeitschrift Lancet Digital Health publiziert wurde. Das von Seniorautor Giorgio Quer geleitete Forschungsteam entwickelte das System, um Herzerkrankungen präziser zu erkennen und vorherzusagen, insbesondere unter Bedingungen mit begrenzten klinischen Ressourcen oder verfügbaren EKG-Kanälen. Im Gegensatz zu herkömmlichen Diagnosemodellen, die auf großen, manuell annotierten Datensätzen basieren und daher wenig flexibel sind, nutzt ECG-CLIP einen neuen Ansatz: Das Modell wurde mit über 1,7 Millionen EKGs von mehr als 540.000 Patienten verknüpft und mit ärztlichen Patientenanamnesen trainiert. Dadurch erwirbt es grundlegende physiologische Zusammenhänge, ähnlich dem menschlichen Lernprozess. Wie die Forscher zeigen, genügen bereits etwa zwölf bestätigte EKGs einer spezifischen Erkrankung, um das System für zukünftige Diagnosen dieses Krankheitsbildes zu schulen. Bei Tests an über 800.000 neuen Datensätzen erwies sich ECG-CLIP sowohl bei der Detektion akuter Myokardinfarkte, einer kardialen Amyloidose als auch einer hypertrophen Kardiomyopathie als überlegen gegenüber etablierten Deep-Learning- und linearen Modellen. Zudem benötigte es im Durchschnitt 91 Prozent weniger manuell annotierte Trainingsdaten. Besonders im Low-Data-Bereich abgestellte nur zehn positive Beispiele ab, übertraf es andere EKG-fundierte Foundation-Modelle deutlich. Das System zeigte zudem Robustheit bei der Auswertung von Einzelleitungs-EKGs, was den Einsatz in ressourcenarmen Umgebungen erleichtert. Darüber hinaus bewährte sich ECG-CLIP in der Prognose: Es sagte das spätere Auftreten von Vorhofflimmern aus zunächst normalen 12-Kanal-EKGs zuverlässiger voraus als alle Vergleichsalgorithmen. Auch die Abschätzung der 30-Tage-Überlebenswahrscheinlichkeit nach Notaufnahme oder chirurgischen Eingriffen sowie das Risiko für die Entwicklung chronischer Nierenerkrankungen und Typ-2-Diabetes innerhalb von drei Jahren wurde mit höchster Genauigkeit berechnet. Zur Förderung der klinischen Akzeptanz visualisieren die Entwickler mit Saliency-Maps die für die Entscheidung relevanten Signalabschnitte, wodurch die KI-Entscheidungen nachvollziehbar werden. Nachfolger werden nun die Validierung des Systems im klinischen Alltag sowie die Anbindung an Wearables zur Dauerüberwachung. Ko-Autor Michael Ko betont, dass prospektive klinische Studien notwendig sind, um die praktische Anwendbarkeit unter realen Bedingungen zu bestätigen. Die Entwicklung setzt die Reihe intelligenter Screening-Tools des Quer-Labs fort und markiert einen bedeutenden Schritt hin zu adaptiver, dateneffizienter Kardiologie.