Auch wenn die Elektrokardiografie mittlerweile ein über 100 Jahre altes diagnostisches Verfahren ist, hat sie in der modernen Medizin nichts von ihrer Bedeutung verloren. Ganz im Gegenteil: Das Interesse am Elektrokardiogramm (EKG) und seine klinische Relevanz nehmen derzeit sogar wieder deutlich zu. Das EKG gehört weiterhin zu den wichtigsten, am häufigsten eingesetzten und zugleich kostengünstigsten diagnostischen Methoden in der kardiovaskulären Medizin. Es ermöglicht innerhalb weniger Sekunden wertvolle Hinweise auf Rhythmusstörungen, Leitungsstörungen, Myokardischämien, strukturelle Herzerkrankungen sowie auf zahlreiche weitere pathophysiologische Veränderungen des Herzens.
Der erneute Aufschwung der Elektrokardiographie hängt zum einen mit einer Vielzahl neuer Erkenntnisse über die elektrokardiographischen Manifestationen kardiovaskulärer Erkrankungen zusammen. Fortschritte in der klinischen Forschung haben gezeigt, dass sich viele kardiale Pathologien – teilweise bereits in frühen Stadien – im EKG widerspiegeln können. Zum anderen wird das Elektrokardiogramm zunehmend Gegenstand moderner datengetriebener Analyseverfahren, insbesondere solcher, die auf künstlicher Intelligenz (KI) beruhen.
In den vergangenen Jahren hat sich gezeigt, dass KI-gestützte Methoden das Potenzial besitzen, die Analyse und Interpretation von EKG-Daten grundlegend zu verändern. Während die klassische computerassistierte EKG-Auswertung seit Jahrzehnten Bestandteil vieler Elektrokardiographen ist, sind ihre diagnostischen Leistungen begrenzt. Die Algorithmen basieren meist auf fest definierten Regeln und können komplexe oder subtile Muster im Signal häufig nur unzureichend erkennen. Die Anwendung moderner KI-Verfahren lässt hoffen, dass einige dieser Einschränkungen überwunden werden können.
Insbesondere Verfahren des Machine Learning (maschinelles Lernen) und des Deep Learning (tiefes Lernen) ermöglichen es, sehr große Mengen digitaler EKG-Daten automatisch zu analysieren und darin komplexe Muster und Zusammenhänge zu identifizieren. Dabei lernen die Algorithmen nicht ausschließlich anhand vorab definierter Regeln, sondern entwickeln ihre Entscheidungsstrukturen auf der Grundlage umfangreicher Trainingsdatensätze. Erste Studien deuten darauf hin, dass KI-Systeme in der Lage sein könnten, Informationen aus EKG-Signalen zu extrahieren, die über das hinausgehen, was mit konventionellen Analyseverfahren oder sogar durch erfahrene menschliche Beobachter erkennbar ist.
Gleichzeitig sind viele Ärztinnen und Ärzte mit den methodischen Grundlagen dieser Technologien noch wenig vertraut. Begriffe wie Machine Learning, Deep Learning, neuronale Netze oder Trainingsdatensätze werden zwar zunehmend im medizinischen Kontext verwendet, ihre Funktionsweise und ihre klinische Bedeutung sind jedoch häufig schwer einzuordnen. Entsprechend fällt auch die Bewertung der aktuellen und zukünftigen Rolle von KI in der EKG-Diagnostik nicht immer leicht.
Die vorliegende zweiteilige Übersicht beschäftigt sich daher mit der KI-basierten Analyse von Elektrokardiogrammen. Ziel ist es, sowohl die methodischen Grundlagen als auch die klinischen Perspektiven dieser neuen Entwicklung darzustellen. In Teil 1 erfolgt zunächst eine Einführung in grundlegende Konzepte und methodische Aspekte der KI-gestützten EKG-Analyse. Teil 2, der separat publiziert wird, widmet sich anschließend dem aktuellen Stand der Forschung, fasst die Ergebnisse bisheriger Studien zusammen und diskutiert mögliche zukünftige Anwendungsszenarien von künstlicher Intelligenz in der Elektrokardiographie.
Haverkamp W, Strodthoff N, Israel C. EKG-Diagnostik mithilfe künstlicher Intelligenz: aktueller Stand und zukünftige Perspektiven – Teil 1: Grundlagen: Herzschrittmacherther Elektrophysiol. 2022 Jun;33(2):232-240. Link
Haverkamp W, Strodthoff N, Israel C. EKG-Diagnostik mit Hilfe künstlicher Intelligenz: aktueller Stand und zukünftige Perspektiven – Teil 2: Aktuelle Studienlage und Ausblick Herzschrittmacherther Elektrophysiol. 2022 Sep;33(3):305-311. Link