Ein Deep-Learning-EKG-Modell zur Identifikation und Lokalisation von Verschluss-Myokardinfarkten

Warum das für Herzinfarkte wichtig ist

Bei einem Herzinfarkt kann jede Minute ohne Behandlung Herzmuskelgewebe absterben. Ärzte verlassen sich in der Regel auf eine schnelle Herzableitung, das EKG, und Bluttests, um zu entscheiden, wer umgehend in den Katheterlabor gebracht werden muss. Diese Instrumente verpassen jedoch oft gefährliche Verschlüsse oder markieren Personen, die tatsächlich keine Notfall‑Prozedur benötigen. Die vorliegende Studie zeigt, wie künstliche Intelligenz EKGs lesen kann, um schwere Verschlüsse genauer zu erkennen und sogar zu lokalisieren, was helfen könnte, die richtigen Patienten schneller zu lebensrettender Behandlung zu bringen.

Auf der Suche nach verstopften Leitungen im Herzen

Nicht alle Herzinfarkte gleichen einander. Manche werden durch eine vollständig oder nahezu vollständig verschlossene Koronararterie verursacht — eine Situation, die die Autoren als Verschluss‑Myokardinfarkt bezeichnen. Diese Patienten benötigen am dringendsten ein Verfahren zur Wiedereröffnung der Arterie. Das Problem ist, dass die Standardregelwerke auf einem Muster namens ST‑Hebung im EKG basieren, das nur in einem Bruchteil dieser gefährlichen Fälle auftritt und auch durch andere Zustände verursacht werden kann. Dadurch gehen manche Patienten durch das Raster, während andere unnötigen invasiven Eingriffen unterzogen werden. Die Forscher wollten ein Computermodell entwickeln, das das rohe EKG‑Signal analysiert und sowohl das Vorliegen eines akuten Verschlusses erkennt als auch welche der großen Herzarterien betroffen ist.

Training eines Modells mit Hunderttausenden EKGs

Das Team verwendete Daten aus der Swedish Emergency Department Database, die Notfallbesuche, EKG‑Aufzeichnungen und detaillierte Ergebnisse aus Herzkatheteruntersuchungen verknüpft. Sie stellten mehr als 540.000 EKGs von etwa 226.000 erwachsenen Patienten zusammen, die zwischen 2005 und 2016 in Notaufnahmen der Region Stockholm vorstellig wurden. Für jeden Herzinfarktfall hatten die durchführenden Ärzte bei der Angiographie bereits festgestellt, ob ein frischer kompletter Verschluss vorlag und welches Hauptgefäß verantwortlich war. Mit diesen objektiven Prozedurergebnissen als Ground Truth trainierten die Forscher ein Deep‑Learning‑Modell, eine Form neuronaler Netze, die komplexe Muster in Signalen erkennen kann, um EKGs in mehrere Kategorien zu klassifizieren, darunter verschlossene versus nicht verschlossene Herzinfarkte und das spezifische ursächliche Gefäß.

Wie gut das Modell Gefährdung erkennt

In zurückgehaltenen schwedischen Testdaten zeigte das Modell eine sehr starke Fähigkeit, akute Verschlüsse von anderen Patienten zu unterscheiden. Sein Leistungsmaß, die C‑Statistik, erreichte mindestens 0,95 für die Erkennung von Verschluss‑Herzinfarkten und mindestens 0,87 für Nicht‑Verschluss‑Herzinfarkte. Bei einer niedrigen Fehlalarmrate von fünf Prozent identifizierte das Modell etwa 87 Prozent der Verschlussfälle korrekt. Es erzielte auch gute Ergebnisse bei der Bestimmung, welche der drei Hauptkranzarterien verschlossen war, obwohl die Unterscheidung zweier spezieller arterieller Lokalisationen — die selbst für menschliche Experten schwierig ist — weiterhin herausfordernd war. Über verschiedene Altersgruppen, Geschlechter, EKG‑Gerätetypen und Kalenderjahre hinweg blieb die Leistung weitgehend ähnlich, mit etwas besserer Genauigkeit bei jüngeren Patienten und solchen ohne bestimmte lang bestehende Leitungsstörungen des Herzens.

Test des Modells in anderen Ländern

Um zu prüfen, ob das Werkzeug auch außerhalb Schwedens standhält, testeten die Autoren es an drei zusätzlichen EKG‑Sammlungen aus Europa und Brasilien. In einer brasilianischen Notfallkohorte mit angiographiebasierten Labels trennte das Modell Verschluss‑Herzinfarkte von Kontrollen weiterhin gut, insbesondere bei Fällen, die klassische ST‑Hebungen zeigten. In zwei großen Datenbanken, in denen nur breitere Labels wie ST‑Hebungs‑Myokardinfarkt und ein häufiger Leitungsblock verfügbar waren, zeigte das Modell ebenfalls starke Leistungen. Tatsächlich übertraf das schwedische Modell bei der Vorhersage von ST‑Hebungs‑Infarkten in einem dieser Datensätze ein anderes Modell, das direkt auf diesen lokal von Menschen vergebenen Labels trainiert worden war, was nahelegt, dass das Training an objektiven Katheterbefunden dem System ein tieferes Verständnis der zugrunde liegenden Erkrankung vermitteln kann.

Was das für Patienten bedeuten könnte

Die Studie zeigt, dass ein Computermodell gewöhnliche EKGs zusammen mit Basisinformationen wie Alter und Geschlecht nutzen kann, um schnell zu erkennen, welche Patienten wahrscheinlich eine frisch verschlossene Herzarterie haben und wo sich dieser Verschluss befindet. Da die Methode nicht auf Bluttests oder auf der Übereinstimmung von Ärzten bei subtilen EKG‑Mustern beruht, könnte sie die Zeit vom ersten medizinischen Kontakt bis zur Wiedereröffnung der Arterie verkürzen und unnötige Notfallprozeduren reduzieren. Die Autoren betonen, dass ihr Werkzeug noch in klinischen Studien geprüft werden muss, die Patientenergebnisse verfolgen, bevor es routinemäßig eingesetzt wird, aber es weist auf eine Zukunft hin, in der intelligente EKG‑Analysen dazu beitragen, dass die richtigen Patienten zur richtigen Zeit in das Katheterlabor gelangen.

Zitation: Gustafsson, S., Ribeiro, A.H., Gedon, D. et al. A deep learning ECG model for identification and localization of occlusion myocardial infarction. Nat Commun 17, 4336 (2026). https://doi.org/10.1038/s41467-026-73023-1

Schlüsselwörter: Elektrokardiogramm, Deep Learning, Myokardinfarkt, Koronarverschluss, medizinische KI