Klassifikation paroxysmaler Vorhofflimmer(Episoden) aus Sinusrhythmus‑Ekgs mittels der Symmetric Projection Attractor Reconstruction‑Methode

Warum diese Studie zum Herzrhythmus wichtig ist

Vorhofflimmern ist eine häufige Störung des Herzrhythmus, die unbemerkt das Schlaganfallrisiko und die Sterblichkeit erhöhen kann. Eine rätselhafte Form, das paroxysmale Vorhofflimmern, tritt in kurzen Anfällen auf und verschwindet wieder, sodass Patienten bei der Untersuchung oft eine völlig normal aussehende Herzkurve haben. Diese Studie stellt eine provokante Frage: Trägt das Elektrocardiogramm (EKG) selbst dann, wenn es normal aussieht, noch eine subtile Fingerabdruck‑Spur verborgener Rhythmusstörungen, die Computer erkennen können — und könnte das Patienten wochenlanger unangenehmer Herzüberwachung ersparen?

Versteckte Hinweise in einem alltäglichen Herztest

Ärzte diagnostizieren Vorhofflimmern meist, indem sie eine Episode auf einem EKG erfassen, das die elektrische Aktivität des Herzens aufzeichnet. Bei Menschen, deren Episoden kurz und selten sind, übersehen Standardtests — und sogar 30‑tägige tragbare Monitore — das Problem oft. Die Forschenden in dieser Arbeit untersuchten, ob ein kurzes, 10‑sekündiges EKG, aufgenommen im normalen Herzrhythmus, dennoch verraten kann, wer eine Vorgeschichte mit paroxysmalem Vorhofflimmern hat. Wenn das möglich wäre, könnte ein routinemäßiger Test in einer Klinik oder der Notaufnahme gefährdete Patientinnen und Patienten markieren, ohne auf den nächsten Anfall warten zu müssen.

Herzschläge als geometrische Formen

Um diese versteckten Hinweise zu finden, nutzte das Team einen Signalverarbeitungsansatz namens Symmetric Projection Attractor Reconstruction. Anstatt sich auf bekannte EKG‑Marken — die scharfen Spitzen und Wellen, die Ärzte üblicherweise betrachten — zu konzentrieren, behandelt diese Methode den gesamten sich wiederholenden Herzschlag als ein Muster in der Zeit. Sie nimmt jeden Herzschlag an mehreren Punkten ab und trägt diese Werte gegeneinander auf, wodurch das eindimensionale Signal in ein zweidimensionales geometrisches Bild verwandelt wird, ein sogenannter Attractor. Feine Veränderungen darin, wie das elektrische Signal des Herzens ansteigt, abfällt und von Schlag zu Schlag variiert, zeigen sich als Unterschiede in Form, Größe und Dichte dieser Attractor‑Muster — selbst wenn das ursprüngliche EKG dem Auge normal erscheint.

Computer trainieren, riskante Muster zu erkennen

Die Untersuchenden nutzten eine große offene EKG‑Datenbank, die Personen mit dokumentierten Vorhofflimmer‑Episoden und sorgfältig abgeglichene Kontrollpersonen ohne bekannte Rhythmusstörungen enthielt, ausgeglichen nach Alter und Geschlecht. Für jede 10‑sekündige Normalrhythmus‑Aufzeichnung erzeugten sie Attractor‑Bilder aus allen 12 EKG‑Ableitungen und wandelten diese Formen in numerische Zusammenfassungen um, die beschreiben, wie dicht Punkte in verschiedenen Richtungen und Entfernungen vom Zentrum gruppiert sind. Diese Zusammenfassungen wurden in zwei gängige maschinelle Lernverfahren eingespeist: eines, das neue Fälle anhand ihrer nächsten Nachbarn im Datensatz klassifiziert, und ein anderes, das einen Entscheidungsbaum aus Wenn‑Dann‑Regeln erstellt. Das Team prüfte außerdem praktische Fragen für den Einsatz im Alltag, etwa welche EKG‑Ableitung am besten funktioniert und ob niedrigere Abtastraten — wie sie in üblichen Klinikgeräten vorkommen — die Leistung beeinträchtigen.

Wie gut die Methode funktionierte

Über viele Kombinationen von Einstellungen hinweg war die beste Konfiguration jene, die Attractor‑Merkmale nutzte, die beschreiben, wie dicht Punkte um den Kreis angeordnet sind, gewonnen aus EKGs mit 125 Hertz Abtastrate und klassifiziert mit der Nächste‑Nachbarn‑Methode. Unter diesen Bedingungen unterschied das System Personen mit und ohne paroxysmales Vorhofflimmern in etwa 81 % der Fälle korrekt. Es war sehr zuverlässig darin, wirklich gesunde Kontrollen zu identifizieren (etwa 95 % Spezifität), hatte aber eine moderatere Trefferquote bei der Entdeckung aller betroffenen Patientinnen und Patienten (etwa 67 % Sensitivität). Ein Entscheidungsbaum‑Ansatz hob die Sensitivität auf etwa 73 % an, büßte dafür aber etwas Fähigkeit ein, Fehlalarme zu vermeiden. Wichtig ist, dass die Methode nur 10 Sekunden Normalrhythmus‑Daten benötigte, und ihre Sensitivität damit ungefähr doppelt so hoch war wie die, die in früheren Arbeiten für 30‑tägige Langzeitüberwachung berichtet wurde.

Wer profitiert und was noch zu tun ist

Die Forschenden stellten fest, dass die Leistung über verschiedene Altersgruppen hinweg relativ stabil war, aber etwas besser bei Männern als bei Frauen, was wahrscheinlich Ungleichgewichte in der zugrundeliegenden Datenbank widerspiegelt. Weitere Herzerkrankungen, die bei einigen Patientinnen und Patienten vorhanden waren, verringerten tendenziell die Genauigkeit, und der zeitliche Abstand zwischen der dokumentierten Flimmerepisode und dem Normalrhythmus‑EKG schien ebenfalls eine Rolle zu spielen. Diese Befunde deuten darauf hin, dass künftige Studien mit größeren, heterogeneren Patientengruppen — und sorgfältiger Erfassung anderer Diagnosen und Aufzeichnungszeiten — das Werkzeug weiter verfeinern und klären könnten, wo es am besten funktioniert, etwa in Kliniken, Notaufnahmen oder in Wearables.

Ein Schritt zu früherer, einfacherer Erkennung

Für Laien lautet die Kernaussage: Ein standardisierter, schneller Herztest kann mehr Informationen enthalten, als Ärzten derzeit sichtbar ist. Indem normale Herzschläge in geometrische Muster umgewandelt und diese Formen algorithmisch über viele Patientinnen und Patienten verglichen werden, zeigt die Studie, dass es möglich ist, Personen mit einer Vorgeschichte paroxysmalen Vorhofflimmerns allein anhand weniger Sekunden Normalrhythmus zu identifizieren. Zwar ist die Methode noch nicht perfekt, sie bietet jedoch einen vielversprechenden Weg zu schnellerem, komfortablerem Screening, das helfen könnte, Menschen mit Schlaganfallrisiko früher zu erkennen und zu entscheiden, wer eine engere Nachverfolgung oder präventive Behandlung erhalten sollte.

Zitation: Creasy, S., Lip, G.Y.H., Tse, G. et al. Classification of paroxysmal atrial fibrillation using sinus rhythm electrocardiograms using the symmetric projection attractor reconstruction method. Sci Rep 16, 9705 (2026). https://doi.org/10.1038/s41598-026-37491-1

Schlüsselwörter: Vorhofflimmern, Elektrokardiogramm, maschinelles Lernen, Herzrhythmus, Früherkennung