Forschende haben künstliche Intelligenz (KI) entwickelt, um Patientendaten aus elektronischen Gesundheitsakten und Elektrokardiogrammen zu analysieren und das Risiko eines plötzlichen Herzstillstands vorherzusagen. Diese Erkrankung führt jährlich zu über 400.000 Todesfällen in den USA, wobei die Überlebensrate lediglich bei zehn Prozent liegt. Das neu entwickelte Modell gilt als bedeutender Fortschritt, da es einen medizinischen Notfall identifizieren kann, der oft völlig überraschend auftritt und auch bei Menschen ohne bekannte Herzkrankheit vorkommt. Dr. Neal Chatterjee von der University of Washington School of Medicine, der leitende Forscher der Studie, betonte, dass die Vorhersage eines Herzstillstands in der Allgemeinbevölkerung durch den Einsatz von KI-Anwendungen und Gesundheitsdaten möglich ist. Die Ergebnisse wurden in der Fachzeitschrift JACC: Advances veröffentlicht. An der Arbeit waren zudem Forscher des Massachusetts General Hospital und des Broad Institute of MIT und Harvard beteiligt. Der Test umfasst eine Population von etwa 1,7 Millionen Patienten eines großen US-Gesundheitssystems. Es wurden drei verschiedene KI-Modelle erstellt: eines ausschließlich auf Elektrokardiogrammen basierend, eines ausschließlich auf den elektronischen Gesundheitsakten basierend, welches 156 klinische Merkmale berücksichtigte, und ein kombiniertes Modell, das beide Datenquellen integrierte. Die Modelle wurden an drei unterschiedlichen Patientengruppen entwickelt und validiert. In einer realen Kohorte, die aus Personen bestand, die sich einem EKG unterzogen hatten, sagte das kombinierte Modell 153 von 228 Hochrisikopatienten korrekt vorher, die später tatsächlich einen Herzstillstand erlitten. Chatterjee erläuterte, dass die Modelle das Risiko vorhersagen können, von etwa einem von 1.000 auf einen von 100 zu reduzieren. Ein solches erhöhtes Risiko würde die Aufmerksamkeit der Betroffenen wecken und theoretische Risiken konkret machen. Besonders vielversprechend ist, dass die Analyse von EKGs allein, auch ohne weitere Patientendaten, eine starke Vorhersagekraft besitzt, die nur geringfügig niedriger ist als bei den Modellen mit elektronischen Gesundheitsakten. Da 12-Kanal-EKGs kostengünstig und weit verbreitet sind, könnten sie weltweit zur Risikoeinschätzung eingesetzt werden. Die Studie identifizierte zudem Risikofaktoren außerhalb der klassischen Herz-Kreislauf-Erkrankungen, darunter Elektrolytstörungen, Drogenkonsum und Arzneimittelwechselwirkungen. Diese als einfach korrigierbar identifizierbaren Faktoren könnten von Ärzten genutzt werden, um die Patientenversorgung zu verbessern, wenn ein Modell ein hohes Risiko anzeigt. Dennoch betonte Chatterjee, dass weitere Forschung notwendig ist, um zu bestimmen, welche klinischen Schritte bei einem solchen Alarmfollow-up sinnvoll sind, wie etwa spezifische Screenings oder Überwachungsmaßnahmen. Die Studie weist wichtige Einschränkungen auf. Da alle Daten aus einem einzigen Gesundheitssystem stammen, ist die Übertragbarkeit auf andere Bevölkerungsgruppen mit unterschiedlichen demografischen Merkmalen und Versorgungsstrukturen noch unklar. Zudem beschränkte sich die reale Kohorte auf Personen, die ein EKG erhalten haben, was die Ergebnisse gegenüber Personen ohne diese Untersuchung verzerren könnte. Zudem könnten die KI-gestützten EKG-Daten Verzerrungen aufgrund demografischer oder versorgungsbezogener Muster widerspiegeln. Dennoch markiert diese Arbeit einen wichtigen Schritt hin zur Früherkennung von Herzstillständen.