Ein neues künstliches Intelligenz-Modell der University of Pennsylvania könnte Patienten vor einem Herzstillstand warnen, bevor dieser eintritt. Das Forschungsteam, bestehend aus Kardiologen und Informatikern, hat das sogenannte CAMEL-Modell entwickelt, das elektrokardiographische Daten (EKG) analysiert, um kritische Warnsignale zehn bis fünfzehn Minuten im Voraus zu erkennen. Dr. Rajat Deo von der Perelman School of Medicine betont, dass Krankenhäuser enorme Mengen an EKG-Daten erzeugen, die bisher oft nur akut genutzt, aber nicht langfristig ausgewertet wurden. Durch die Zusammenarbeit mit Experten der School of Engineering and Applied Science, darunter Rajeev Alur, gelang es, diese untergenutzte Ressource für prädiktive Analysen zu erschließen. Das CAMEL-Modell (Cardiac Autoregressive Model for ECG Language-Modeling) stellt einen Paradigmenwechsel in der medizinischen Datenanalyse dar. Im Gegensatz zu herkömmlichen KI-Modellen, die EKG-Signale nur nachträglich klassifizieren oder kurze Abschnitte von zehn Sekunden betrachten, behandelt CAMEL die Herzrhythmen ähnlich wie Sprache. Es analysiert längere Zeitfenster der kontinuierlichen Überwachung (Telemetrie), um komplexe Muster zu identifizieren, die auf eine Verschlechterung hindeuten. Durch die Umwandlung von EKG-Wellenformen in ein Format, das auch klinische Notizen interpretieren kann, ist das System in der Lage, subtile Variationen zu erkennen, die für menschliche Beobachter oder traditionelle Geräte oft zu undeutlich sind. Die Ergebnisse der Studie wurden auf dem Preprint-Server arXiv veröffentlicht. Die klinische Bedeutung dieser Technologie liegt in der Fähigkeit, Arrhythmien wie die Kammerflimmern oder ventrikuläre Tachykardien vorherzusagen, die zu einem plötzlichen Herzstillstand führen können. Da sich eine kardiale Verschlechterung selten plötzlich einstellt, sondern oft über längere Zeit durch kaum wahrnehmbare Anzeichen ankündigt, eröffnet CAMEL ein neues Zeitfenster für präventive Eingriffe. Das Team testet das Modell derzeit in einer Umgebung, in der es Patientendaten im Hintergrund verarbeitet, ohne Ärzte oder Pflegepersonal sofort zu alarmieren. Dr. Deo erklärt, dass Fehlmeldungen Ressourcen binden und die Aufmerksamkeit auf andere Patienten lenken könnten, weshalb die absolute Zuverlässigkeit der Vorhersagen vor einem klinischen Einsatz gewährleistet sein muss. Künftige Tests werden die Vorhersagekraft von CAMEL anhand tatsächlicher Patientenergebnisse mit dem aktuellen Standard der Krankenversorgung vergleichen. Sollten sich die Ergebnisse als überlegen erweisen, könnte die Technologie zukünftig in Echtzeitsystemen integriert werden. Über den stationären Bereich hinaus planen die Forscher zudem, das Modell auf tragbare Consumer-Geräte zu übertragen. Dies würde es ermöglichen, das Risiko von Herzereignissen auch in der Allgemeinbevölkerung zu überwachen und frühzeitig Warnungen auszusenden, was einen erheblichen Fortschritt für die öffentliche Gesundheit darstellen würde.