ECG-CLIP: KI-Modell spart 90,8 Prozent der EKG-Annotationsdaten ein
Veröffentlicht am: 10.10.2026 um 14:14 Uhr | Redaktion boerse-global.de
Verfahren auf Basis künstlicher Intelligenz erschließen routinemäßig erfasste Elektrokardiogramme und elektronische Gesundheitsakten für die kardiologische Diagnostik, um bislang verborgene Herzkrankheiten präzise vorherzusagen. Weltweit werden jährlich rund eine Milliarde EKG-Untersuchungen durchgeführt. Neue Algorithmen wandeln diese Standarduntersuchungen zunehmend in ein Screening-Werkzeug für strukturelle Herzerkrankungen um.
Früherkennung struktureller Schäden per EKG
Dr. Ahmed El-Medany vom Imperial College London präsentierte entsprechende KI-Modelle Ende August 2026 auf dem Kongress der Europäischen Gesellschaft für Kardiologie (ESC) in München.
Die Systeme wurden mit Millionen klinischer EKG-Aufzeichnungen trainiert und anschlieĂźend an Zehntausenden Patienten in den USA getestet. Die Algorithmen erkannten bis zu vier von fĂĽnf Personen mit einer Herzinsuffizienz und bis zu 90 Prozent der Betroffenen mit einer signifikanten Herzklappenerkrankung.
Die Technologie soll bestehende Ultraschalluntersuchungen nicht ersetzen, sondern Patienten priorisieren, um knappe diagnostische Ressourcen gezielter einzusetzen. Das Imperial College London erprobt den Ansatz derzeit in einer kleinen prospektives Studie des National Health Service in London und Bristol. Für die Zukunft sind die Einbindung in portable EKG-Geräte sowie ein breiterer klinischer Einsatz über die Plattform Cardiovolt.ai vorgesehen.
Risikoanalyse anhand von Routineparametern
Wer sich mit moderner Diagnostik befasst, sollte auch die Bedeutung der eigenen Blutwerte im Detail verstehen. Dieser kostenlose 25-Seiten-Report erklärt, wie Sie Laborergebnisse richtig interpretieren und Ihre Gesundheit proaktiv schützen. Laborwerte-Selbstcheck jetzt kostenlos herunterladen
Parallel dazu rĂĽckt die Auswertung elektronischer Gesundheitsakten in den Fokus. Das KI-Werkzeug Amylo-Detect wurde entwickelt, um das Risiko fĂĽr eine Herzamyloidose anhand von Routinedaten zu identifizieren, wie eine Studie im Fachjournal PLOS Digital Health berichtet.
Das Modell basiert auf Daten von 11.616 konsekutiven Patienten des Universitätsklinikums Wien aus den Jahren 2010 bis 2023 und analysiert 50 Routineparameter. In diesem Kollektiv wiesen 388 Patienten – rund 3 Prozent – einen Perugini-Grad von 2 oder 3 auf.
Amylo-Detect erreichte eine Fläche unter der Kurve (AUC) von 0,93 in der Entwicklungskohorte sowie 0,91 in der internen Validierung. Eine externe Validierung an 1.521 Patienten des Universitätsklinikums Essen ergab ebenfalls eine AUC von 0,91. Von 42 fällen, die im klinischen Alltag übersehen worden waren (10,8 Prozent der 388 Patienten), identifizierte das Werkzeug nachträglich 12, was etwa 29 Prozent entspricht. Während eine Web-Applikation bereits bereitsteht, stehen eine retrospektive Validierung sowie prospektive Bestätigungen noch aus.
Neben der computergestützten Risikoanalyse bleibt das Wissen um entscheidende Vitalstoff-Werte eine wichtige Säule der Prävention. Erfahren Sie in diesem Gratis-Leitfaden eines Experten, welche zehn Werte für Ihre Fitness und Vorsorge wirklich entscheidend sind. Kostenlosen Ratgeber zu Laborwerten anfordern
Effizientere Modelle mit geringerem Datenbedarf
Einen weiteren methodischen Fortschritt markiert das Foundation-Modell ECG-CLIP, das Wellenformen von EKGs mit Befundberichten von Ärzten verknüpft. Laut einer am 1. September 2026 im Fachjournal The Lancet Digital Health veröffentlichten Untersuchung spart das System im Vergleich zum zweitbesten Modell durchschnittlich 90,8 Prozent der Annotationsdaten ein, während die Diagnosegenauigkeit auf gleichem Niveau bleibt.
Trainiert wurde ECG-CLIP mit ĂĽber 1,7 Millionen EKGs von 542.000 Patienten der US-Gesundheitsorganisation Scripps aus den Jahren 2008 bis 2019, gefolgt von einer externen Validierung am Datensatz MIMIC-IV mit ĂĽber 800.000 EKGs.
Bei lediglich zehn positiven Labels erzielte das System beim akuten Myokardinfarkt eine AUC von 0,910 im Vergleich zu 0,884 (95-Prozent-Konfidenzintervall 0,903–0,916 gegenüber 0,876–0,892). Bei kardialer Amyloidose lag der Wert bei 0,790 gegenüber 0,777 (0,767–0,812 gegenüber 0,754–0,799) und bei Vorhofflimmern bei 0,777 gegenüber 0,765 (0,773–0,781 gegenüber 0,761–0,769).
Da die Trainingsdaten überwiegend aus einer Quelle bis 2019 stammen und retrospektiv erhoben wurden, fordern die Forscher vor einem flächendeckenden Einsatz weitere prospektive Untersuchungen.
