Herzinsuffizienz: KI erkennt das Risiko aus einer EKG-Elektrode bis zu zehn Jahre früher

Aktuelle Forschungsergebnisse zeigen, wie der Einsatz von Algorithmen in der Schlafforschung künftige Herzerkrankungen vorhersagen kann. Wissenschaftler der Emory University haben gemeinsam mit Partnern der Georgia Tech, Bostoner Kliniken und der Stanford University ein Modell des maschinellen Lernens vorgestellt, das nächtliche Elektrokardiogramme aus der Polysomnographie auswertet.

Die am 9. Oktober 2026 im Fachjournal SLEEP publizierte Untersuchung belegt, dass das System Risiken für das Auftreten einer Herzinsuffizienz bis zu zehn Jahre im Voraus identifizieren kann.

Signifikante Risikomarker im Leichtschlaf

Für die Modellentwicklung nutzten die Forscher zunächst 86.000 EKG-Aufzeichnungen. Die Anpassung des Deep-Learning-Systems erfolgte anhand der Schlafdaten von 15.809 Patienten des Massachusetts General Hospital.

Zur Überprüfung testete das Team die Anwendung an zwei unabhängigen Kohorten: 9.810 Patienten des Emory University Hospital sowie 12.576 Patienten des Beth Israel Deaconess Medical Center, die über Zeiträume von sieben bis zehn Jahren nachbeobachtet wurden.

Für die Messung genügt dabei bereits eine einzelne EKG-Elektrode am Brustkorb. Als besonders aussagekräftig erwies sich die Phase des Leichtschlafs unmittelbar nach dem Einschlafen, in der die autonome Umstellung des Körpers stattfindet.

Bei einem Anstieg des berechneten Risikoscores um eine Standardabweichung vervielfachte sich das Risiko für Vorhofflimmern um das Zweifache bis 2,7-Fache.

Die Wahrscheinlichkeit für eine spätere Herzinsuffizienz stieg um 69 bis 133 Prozent, während sich das Risiko für einen Tod aller Ursachen um 65 bis 82 Prozent erhöhte. Für Schlaganfälle lag der Anstieg zwischen 19 und 40 Prozent.

Eine einzelne EKG-Elektrode am Brustkorb, ausgewertet mit einem Deep-Learning-Modell, reicht aus, um das Herzinsuffizienz-Risiko bis zu zehn Jahre im Voraus zu markieren — besonders aussagekräftig ist der Leichtschlaf direkt nach dem Einschlafen. Der kostenlose Praxisleitfaden zeigt Schritt für Schritt, wie Sie solche Signale in bestehende Schlaflaborabläufe einordnen und wo die Grenzen der Methode liegen. Kostenlosen Praxisleitfaden jetzt anfordern

Mehrwert gegenüber klassischen Risikofaktoren

Die festgestellten Zusammenhänge blieben auch nach statistischer Bereinigung um traditionelle Einflussgrößen wie Alter, Geschlecht, Diabetes, Bluthochdruck und Rauchen stabil.

Gegenüber herkömmlichen Risikomodellen bot die KI-gestützte Auswertung einen zusätzlichen Vorhersagegewinn von 8 bis 9 Prozent bei der Herzinsuffizienz, bis zu 6 Prozent bei Vorhofflimmern sowie 4 bis 7 Prozent bei der Gesamtmortalität. Für Schlaganfälle und akute Myokardinfarkte zeigte sich hingegen kein signifikanter statistischer Zusatznutzen im Vergleich zu bestehenden Methoden.

Die durch die US-amerikanischen National Institutes of Health geförderte Arbeit ordnete Studienteilnehmer verschiedenen Risikogruppen für kardiovaskuläre Ereignisse zu. Die beteiligten Wissenschaftler stellten den Programmcode öffentlich zur Verfügung.

Einsatz als künftiges Screening-Werkzeug

Die Studienautoren betonen den Charakter der Entwicklung: Das Verfahren sei als Screening-Instrument im Rahmen ohnehin stattfindender Schlafuntersuchungen konzipiert und nicht als eigenständige Diagnosemethode gedacht.

Klassische Risikomodelle erfassen viele Frühwarnzeichen kaum — dabei bleiben die EKG-Daten Ihrer Schlafdiagnostik bislang oft ungenutzt. Der Leitfaden fasst zusammen, welchen zusätzlichen Vorhersagegewinn die KI-Auswertung bei Herzinsuffizienz und Mortalität zeigte, wo kein signifikanter Zusatznutzen belegt ist und welche Validierung vor einem Routineeinsatz noch aussteht. Leitfaden zur KI-EKG-Auswertung sichern

Zudem handele es sich bei den Kennzahlen um statistische Assoziationen, die keine direkte Kausalität belegen und keine exakten individuellen Wahrscheinlichkeiten darstellen. Vor einer Überführung in die klinische Routineversorgung fordern die Forscher daher weitere Validierungsstudien.