KI-gestützte Ansätze für personalisierte Herzbehandlung: Erkenntnisse aus EKG-Daten

Warum intelligentere Herztests wichtig sind

Wenn Ärztinnen und Ärzte Medikamente verschreiben, die das Herz beeinflussen, verlassen sie sich auf das Elektrokardiogramm (EKG), um zu prüfen, ob die Behandlung sicher ist. Viele Wirkstoffe hinterlassen jedoch nur subtile Spuren im Herzschlag, die mit bloßem Auge schwer erkennbar sind. Diese Studie untersucht, wie künstliche Intelligenz EKG‑Verläufe präziser lesen kann, Ärzten hilft zu erkennen, welches Medikament oder welche Kombination das Herz beeinflusst, und so den Weg zu persönlicherer und sichererer kardiologischer Versorgung ebnet.

Auf der Suche nach verborgenen Arzneimittelwirkungen im Herzschlag

Die Forschenden konzentrierten sich auf ein langjähriges Sicherheitsproblem: Manche Medikamente können den elektrischen Rhythmus des Herzens stören und das Risiko gefährlicher Arrhythmien erhöhen. Traditionell achten Ärztinnen und Ärzte vor allem auf eine Kenngröße im EKG, das QT‑Intervall, doch diese einzelne Metrik übersieht oft wichtige Details. Verschiedene Medikamente und Wirkstoffkombinationen können mehrere Abschnitte des Herzschlags auf komplexe Weise verändern. Das Team fragte, ob Computermodelle diese Muster aus Daten lernen und EKGs zuverlässig nach der jeweiligen Behandlung sortieren könnten.

Ein umfassendes Bild aus EKG-Signalen erstellen

Um dies anzugehen, nutzte die Studie eine öffentliche Datenbank aus einer kontrollierten Studie mit 22 gesunden Freiwilligen. Jede Person erhielt mehrere Wirkstoffregime, darunter bekannte Antiarrhythmika allein, in Kombination mit anderen Substanzen und Placebo. Für jede Dosierungsperiode wurden standardisierte 12-Kanal-EKGs zusammen mit Blutproben aufgezeichnet. Anstatt die Rohwellenformen direkt in die Modelle einzuspeisen, bereinigte das Team die Signale zunächst und extrahierte dann einen detaillierten Satz von Merkmalen, die jeden Herzschlag beschreiben: wie lange das elektrische Erregungsfeld braucht, um durch das Herz zu laufen, wie die T‑Welle beim Erholen des Herzens ansteigt und fällt, und wie stark die Zeit zwischen den Schlägen variiert.

KI darauf trainieren, Behandlungs-Fingerabdrücke zu erkennen

Mithilfe dieser Merkmale trainierten und verglichen die Autorinnen und Autoren drei verbreitete Machine‑Learning‑Modelle. Zwei davon, Random Forest und XGBoost, sind baumbasierte Methoden, die aus vielen einfachen Entscheidungsregeln zusammen lernen, während das dritte, eine Support‑Vector‑Machine, ein traditionellerer Klassifikator ist. Die Modelle sollten jeden EKG‑Abschnitt einem von zehn möglichen Behandlungscodes zuordnen. Nach sorgfältiger Feinabstimmung und Kreuzvalidierung erreichte XGBoost etwa 98 % Genauigkeit, Random Forest lag knapp dahinter bei etwa 97 %, während die Support‑Vector‑Machine deutlich zurückblieb. Die besten Modelle lieferten die genauen Vorhersagen außerdem zuverlässig für alle Behandlungsgruppen.

Was die Modelle über den Herzschlag verraten

Über rohe Leistungskennzahlen hinaus untersuchte das Team, welche EKG‑Merkmale für die baumbasierten Modelle am wichtigsten waren. Beide Ansätze hoben wiederholt die Dauer des QRS‑Komplexes, das PR‑Intervall und mehrere Eigenschaften der T‑Welle, etwa Höhe und Form, als stärkste Hinweise auf die Behandlung hervor. Diese Befunde stimmen gut mit klinischem Wissen überein, dass diese EKG‑Abschnitte widerspiegeln, wie sich elektrische Signale im Herzen ausbreiten und wie sich die Herzkammern zwischen den Schlägen zurücksetzen – Prozesse, die viele Medikamente beeinflussen. Als die gleiche Analysepipeline an einer separaten Datenbank getestet wurde, die andere Medikamente enthielt, erzielte sie erneut starke Leistung, ohne neu trainiert werden zu müssen, was darauf hindeutet, dass die gelernten Regeln nicht auf eine einzelne Studie beschränkt sind.

Welche Bedeutung das für die künftige Versorgung hat

Einfach ausgedrückt zeigt diese Arbeit, dass KI das EKG so lesen kann, dass sie die kombinierten, subtilen Effekte verschiedener Arzneimittel auf das Herz erfasst. Statt sich auf ein oder zwei manuelle Messwerte zu verlassen, könnten Ärztinnen und Ärzte eines Tages solche Modelle nutzen, um viele EKG‑Merkmale gleichzeitig zu prüfen und schnell Patienten zu identifizieren, deren Herz auf ein Medikament auf riskante Weise reagiert. Zwar muss die Studie noch auf größere und vielfältigere Patientengruppen ausgeweitet werden, doch sie legt eine solide Grundlage für den Einsatz datengetriebener Werkzeuge, um kardiologische Behandlungen so zu verfeinern, dass jede Person ein Regime erhält, das nicht nur wirksam, sondern auch sicherer für ihr Herz ist.

Zitation: Tiwari, V., Gupta, R., Telang, A. et al. AI-enhanced approaches for personalized cardiac treatment: insights from ECG data. npj Syst Biol Appl 12, 72 (2026). https://doi.org/10.1038/s41540-026-00702-6

Schlüsselwörter: Elektrokardiogramm, Machine Learning, Arzneimittelsicherheit, Herzrhythmusstörung, personalisierte Medizin