KI erkennt Herzkrankheiten in Echtzeit

Herzkreislauferkrankungen sind die häufigste Todesursache weltweit. Allein in Europa sind über 15 Millionen Menschen von Herzinsuffizienz betroffen – mit steigender Tendenz. Das zentrale Problem ist, dass Herzkrankheiten meist spät entdeckt werden, da Symptome wie Atemnot oder Brustdruck erst in einem späten Krankheitsstadium auftreten. Eine medikamentöse Behandlung zeigt dann oft nicht mehr den gewünschten Erfolg, ein operativer Eingriff kann nötig werden. Weitere Gründe für eine verzögerte Risikoanalyse solcher Krankheiten liegen zum einen an den unspezifischen, unterschiedlichen Symptomen von Herzinsuffizienz. Zum anderen sind herkömmliche, klassische Diagnostikmethoden wie Bluttests im Labor äußerst teuer und werden nur episodisch – und damit nicht lückenlos – durchgeführt. Die Folgen sind hohe Hospitalisierungsraten, die eine große Belastung für Patienten darstellen und hohe Kosten für das Gesundheitssystem verursachen.

Herzkrankheiten über Veränderungen elektrischer Felder erkennen

An der Technischen Universität Graz wurde ein innovativer, inzwischen patentierter Ansatz gefunden, der Anzeichen von Herzinsuffizienz und Risiken für Herzerkrankungen ohne die Zuhilfenahme kostspieliger Diagnosemethoden wie Computertomografien (CTs), Magnetresonanztomografien (MRTs) oder Bluttests früher erkennt. „Wir haben eine medizinisch validierte, KI-basierte Software für die Diagnose von kardiovaskulären Biomarkern entwickelt, die in direktem Zusammenhang mit Erkrankungen wie zum Beispiel Herzinsuffizienz, Herzinfarkt, Atherosklerose, Aneurysmen, Herzklappenfehler usw. stehen“, so Hermann Moser, Co-Founder und CEO von arterioscope, einem Deep-Tech-Spin-off der TU Graz. „Jede Herzerkrankung wirkt sich auf bestimmte Weise physisch auf die kardiovaskuläre Mechanik aus und verändert auch extern angelegte, elektrische Felder. Um diese latenten Informationen zu erhalten, verwenden wir Biosignale von klinischen Elektrokardiogrammen (EKG) und Photoplethysmographien (PPG). Mithilfe eines eigenen Machine Learning- und Deep Learning-Modells können wir aus den gewonnenen Informationen erstmals Rückschlüsse auf mögliche Herzkrankheiten ziehen – und das in Echtzeit“, so Moser.

Machine Learning Modell nutzt reale Datensätze

Selbst erfahrene Ärzte konnten mit herkömmlichen Methoden und Technologien diese Signale bisher mit freiem Auge nicht aus den EKG-Daten erkennen.: Das Machine Learning Modell wurde an der Technischen Universität Graz in Kooperation mit der Medizinischen Universität Graz und weiteren, internationalen Partnern aus der Forschung, Medizintechnik und Pharmaindustrie entwickelt. Um statistisch signifikante Ergebnisse zu erhalten, sei es notwendig gewesen, die KI-Software mit einer großen Anzahl öffentlich verfügbarer, klinischer Datensätzen zu trainieren, so Moser. Darunter befinde sich der zentrale Blutmarker für Herzschwäche, NT-proBNP – ein Hormon, welches das Herz ausschüttet, wenn es unter Stress steht –, aber auch weitere kardiovaskuläre Parameter sowie Werte aus Simulationen des Herzkreislaufsystems. „Überhaupt erst durch Machine Learning wurde es möglich, aus den großen Datenmengen statistisch signifikante Ergebnisse mit einer neuen Leistungsstufe in der Auswertung kardiovaskulärer Biosignale zu erreichen", so Moser.

Mobile, nicht-invasive Verlaufskontrolle als Ziel

Die Kombination moderner Signalverarbeitung, maschinellen Lernens und klinischer Referenzdaten könnte überdies weitere praktische Vorteile sowohl für Patienten als auch für das Gesundheitssystem bieten: „Derzeit wird im Krankenhaus bei Verdacht auf Herzschwäche ein bestimmter Blutwert bestimmt, der gut etabliert und evidenzbasiert ist. Nur: Diese Screenings dienen oft zur Abklärung, und nicht jede dieser Untersuchungen ist zwingend notwendig, weshalb es derzeit auch zu Engpässen bei der Terminvergabe kommt. Unsere Idee ist es, über die KI-basierte EKG-Analyse bereits vorab eine Erhöhung dieses Blutwertes vorhersagen zu können.“ Der Vorteil eines solchen telemedizinischen ‚Vorscreenings‘ sei, gezielter jene Patienten zu identifizieren, die tatsächlich von einer kardiologischen Abklärung profitieren würden – und unnötige Untersuchungen zu vermeiden. Die Technologie verstehe sich dabei als eine Art ‚Gatekeeper‘, um Patienteenströme effizienter zu lenken, sagt Martin Manninger-Wünscher, CMO von arterioscope und Kardiologe an der Medizinischen Universität Graz.

Risikoanalyse von Herzkrankheiten

Neben einer genaueren Voruntersuchung erlaubt die Software auch Risikoanalysen von Herzkrankheiten: Bisherige AI-EKG-Lösungen würden versuchen, bestehende Diagnosen lediglich zu ‚imitieren‘ und binäre Diagnosen wie ‚krank‘ oder ‚gesund‘ ausweisen, sagt Moser. Der auf Biomarkern basierende Machine Learning-Ansatz gehe einen Schritt weiter: Physiologisch fundierte Risiko-Scores würden anzeigen, wie wahrscheinlich es ist, dass eine bestimmte Erkrankung tatsächlich vorhanden ist. Ausschlaggebend für diese Messungen sind jedoch sehr große Datenmengen. Derzeit könne die Software überall dort eingesetzt werden, wo ein EKG verfügbar sei – etwa in Ordninationen, Primärversorgungszentren oder bei Hausärzten. „Langfristig arbeiten wir allerdings daran, die Technologie von klassischen medizinischen EKG-Geräten auf Pulskurven aus Wearables zu übertragen“, so Moser. Über die PPG-Daten könnte ein kontinuierliches Patientenmonitoring ermöglicht, über Simulationsmodelle sogar der weitere Krankheitsverlauf prognostiziert werden. Bei auffälligen Veränderungen könnte dann sofort der Arzt alarmiert werden, sagt Moser. Ein entsprechendes Forschungsprojekt mit der Med Uni Graz läuft bereits.

Manninger sieht darin noch ein Gewinn für die Patienten: „Wenn es uns gelingt, die Software valide weiterzuentwickeln und aus diesen PPG-Signalen Hinweise auf ein erhöhtes Risiko für Herzschwäche zu erkennen, könnte man die Früherkennung aus dem medizinischen System heraus bis ins häusliche Umfeld verlagern. Mit anderen Worten ließen sich Verlaufskontrollen und Messungen von zuhause aus durchführen – und sehr viel mehr Menschen frühzeitig erreichen.“

Bessere Medikamente gegen Herzschwäche

Darüber hinaus eröffnet die Technologie neue Möglichkeiten für die klinische Forschung: „Kurzfristig liegt unser Fokus auf Biotech-, Pharma- und Industrieunternehmen als Zielgruppen. Sie können unsere Technologie in klinischen Studien einsetzen, um Medikamente schneller und effizienter zu entwickeln.“ Gerade Biotech-Unternehmen stehen unter hohem wirtschaftlichem Druck. Bei der Entwicklung neuer Therapeutika ist es entscheidend, im Rahmen der Patientenstratifizierung die richtigen Patientengruppen für Studien auszuwählen und frühzeitig wichtige Signale zu erkennen, etwa, ob eine Studie erfolgsversprechend fortgeführt werden kann oder nicht. Fehlentscheidungen können Kosten in der Höhe von bis zu mehreren 100 Millionen Euro verursachen. Die neue Technologie ermögliche eine präzisere Patientenselektion und ein effizienteres Monitoring von Therapieeffekten, so Moser. Pharmaunternehmen könnten dadurch vor allem in Phase-3-Studien Kosten einsparen, während gleichzeitig das Gesundheitssystem durch frühere Diagnostik und Prävention profitiere.

Bevölkerungsweites Screening?

Langfristig ist eine Zusammenarbeit mit öffentlichen und privaten Gesundheitssystemen, Versicherungen und Ärzten vorgesehen: Ein bevölkerungsweites Screening ab dem 40. Lebensjahr auf frühe Anzeichen von Herzinsuffizienz bzw. das Risiko für Herzerkrankungen ließe sich in bestehende Gesundheitsvorsorgeuntersuchungen integrieren oder mit Initiativen wie Herzmobil oder den EU-Gesundheitsplänen verknüpfen. Der am 16. Dezember 2025 veröffentlichte EU Cardiovascular Health Plan (Safe Hearts Plan) der EU-Kommission sieht bis 2035 unter anderem die Stärkung von Prävention, Früherkennung und digitaler Gesundheitsstrategien vor.

Dieser Beitrag stammt aus dem KTM-Newsletter 02/2026. Melden Sie sich hier kostenlos an, um keine News aus der Branche mehr zu verpassen!