Studie: KI erkennt Risikosignal im EKG
Good News

Studie: KI erkennt Risikosignal im EKG

Ein Tiefenlernmodell hat in einer am 24. Juni 2026 in Nature veröffentlichten Studie eine Hochrisikogruppe für den plötzlichen Herztod identifiziert, deren jährliche Rate plötzlicher Herztode höher lag als die der durch den bisherigen Standardtest erkannten Gruppe.

Quellen (7)
  1. Nature: An ECG biomarker for sudden cardiac death discovered with deep learningdoi.org
  2. AI finds hidden ECG signal that predicts sudden cardiac death risk | Scientific Americanscientificamerican.com
  3. 503335_1_other_0_st0cd8_convrt.pdfstatic-content.springer.com
  4. An ECG biomarker for sudden cardiac death discovered with deep learning - PMCpmc.ncbi.nlm.nih.gov
  5. TPR-Obermeyer_2025-01-00956Cstatic-content.springer.com
  6. AI discovers a hidden heart signal that could predict sudden death | ScienceDailysciencedaily.com
  7. GitHub - alexmschubert/ECG-SCD · GitHubgithub.com
20. November 2026, 8:00 Uhr581 Wörter · 3 Min. Lesezeit

¶ Die Nature veröffentlichten Studie leitete Ziad Obermeyer, Associate Professor an der University of California, Berkeley. Die vom Modell markierte Gruppe umfasste 2,2 Prozent der untersuchten Fälle und hatte eine jährliche Rate plötzlicher Herztode von 7,0 Prozent, während Personen mit reduzierter Herzpumpleistung (LVEF), die 1,9 Prozent der Stichprobe ausmachten, eine jährliche Rate von 4,6 Prozent hatten. 86,1 Prozent dieser Hochrisikopatienten wurden vom bisherigen Standardwert, der linksventrikulären Ejektionsfraktion, kurz LVEF, nicht als solche erfasst.

Wie die Forschenden das Signal fanden

Dem Modell lagen Daten des Teams um Studienleiter Ziad Obermeyer aus der schwedischen Region Halland zugrunde: 441.614 EKGs von 187.677 Patienten aus den Jahren 2010 bis 2016, verknüpft mit Totenscheinen. Validiert wurde das Modell anschließend an 251.858 EKGs von 151.015 Patienten eines US-Gesundheitssystems sowie an 4.107 EKGs eines taiwanischen Registers mit 96 späteren Herzstillstandsfällen und 4.011 Kontrollen. Dabei sagte das Modell in der US-Kohorte ventrikuläre Arrhythmien voraus, die einen plötzlichen Tod verursachen, während es im taiwanischen Register künftige arrhythmische Herzstillstände vorhersagte. Für die retrospektive Auswertung wurden keine Patienten eigens rekrutiert und eine Fallzahl wurde vorab nicht berechnet, weil die Forschenden möglichst viele Trainingsdaten nutzen wollten.

künstliche intelligenz

H2 Ein Signal in der EKG-Kurve

Um sichtbar zu machen, worauf das Vorhersagemodell reagiert, kombinierten die Autoren es mit einem generativen Modell der EKG-Kurve. So fanden sie einen leicht erkennbaren Biomarker, der plötzlichen Herztod robust vorhersagt und nach Kenntnis der Autoren zuvor nicht beschrieben worden war. Sie verknüpften die Form dieses Signals mit elektrophysiologischen Grundprinzipien und prüften vorläufig eine neue Hypothese zum Mechanismus des plötzlichen Herztods. Bei Patienten mit implantiertem Defibrillator, deren EKG als Hochrisiko eingestuft worden war, lag die Sterblichkeit durch plötzlichen Herztod laut der Studie um 54,4 Prozent niedriger als erwartet, was die Autoren als möglichen Hinweis auf einen Nutzen werten.

herzgesundheit

Was die Studie noch nicht zeigt

Der nicht an der Studie beteiligte Sumeet S. Chugh, der das Zentrum für Herzstillstandsprävention am Cedars-Sinai Medical Center leitet, hält aus Sicht der Patientenversorgung deutlich mehr Forschung für nötig, bevor solche Befunde über die Wahl von Defibrillator-Kandidaten zur Primärprävention entscheiden. Studienleiter Obermeyer erklärte, er würde nicht empfehlen, allein wegen einer Hochrisikoeinstufung im EKG einen Defibrillator implantieren zu lassen; die KI könne stattdessen genutzt werden, um gezielt weitere Untersuchungen einzusetzen. Im Begutachtungsverfahren berichtete ein Gutachter, dass eine frühere Fassung des Manuskripts eine Hochrisikogruppe von 1,8 Prozent mit einem jährlichen Risiko von 6,1 Prozent auswies und die Autoren räumten ein, dass unterschiedliche Kohortendesigns und Ergebnisdefinitionen der externen Datensätze die Interpretation der Kennwerte erschweren.

Was für den Einsatz in Kliniken geplant ist

Laut ScienceDaily arbeitet Obermeyer bereits mit Gesundheitssystemen in Schweden, Taiwan und den USA daran, den Algorithmus in Krankenhaus-EKG-Datenbanken einzuführen; als hochriskant eingestufte Patienten sollen benachrichtigt und ihnen ein Pflaster zur kontinuierlichen Aufzeichnung der elektrischen Herzaktivität angeboten werden. Ein Grund für den Aufwand: Etwa zwei Drittel der Defibrillatoren, die bei als hochriskant erkannten Patienten implantiert werden, müssen nie einen Schock abgeben, während die weit verbreitete LVEF-Messung zugleich die meisten plötzlichen Herztode übersieht. Ein Vorteil ist laut dem Bericht, dass das System mit gewöhnlichen EKG-Signalaufzeichnungen arbeitet, die bereits routinemäßig in Kliniken erhoben werden; das könnte die Früherkennung verbessern, ohne eine völlig neue Art medizinischer Untersuchung zu erfordern. Der schwedische Hauptdatensatz ist aus Datenschutzgründen nicht öffentlich zugänglich, der externe US-Datensatz laut Datennutzungsvereinbarung ebenfalls nicht; der taiwanische Validierungsdatensatz ist hingegen öffentlich verfügbar und das Team stellt zusätzlich Code, Modellarchitektur und Trainingsverfahren über ein Repository bereit. Die Zusammenstellung der Daten dauerte nach Angaben Obermeyers rund zehn Jahre und bezog auch zwei von ihm mitgegründete Organisationen ein, Dandelion Health und Nightingale Open Science.

Kommentare