Erklärbarer multimodaler Ansatz zur Aufdeckung wichtiger Prädiktoren für Schlaganfallrisiko aus EKG-, EMG-, Blutdruck- und Atemsignalen

Warum Atmung und Herzsignale für Schlaganfälle wichtig sind

Ein Schlaganfall tritt schnell auf, entwickelt sich jedoch meist jahrelang still. Ärztinnen und Ärzte wissen, dass Bluthochdruck, Herzrhythmusstörungen und Lebensstilfaktoren das Risiko erhöhen, dennoch ist es schwer vorherzusagen, wer wirklich gefährdet ist. Diese Studie zeigt, dass unsere Atmung – insbesondere die Art und Weise, wie der Körper mit Kohlendioxid umgeht – versteckte Hinweise auf das Schlaganfallrisiko liefert. Indem Atem-, Herz-, Muskel- und Blutdrucksignale in einem erklärbaren Modell der künstlichen Intelligenz (KI) kombiniert werden, zeigen die Autorinnen und Autoren neue Wege auf, Hochrisikopatienten zu erkennen und Klinikern zu erklären, warum ein Algorithmus eine bestimmte Entscheidung trifft.

Den leisen Signalen des Körpers zuhören

Anstatt auf Gehirnbilder zurückzugreifen, die teuer sind und sich nicht für kontinuierliche Überwachung eignen, nutzten die Forschenden einfache elektrische und Druckmessungen von 64 Freiwilligen, von denen einige einen ischämischen Schlaganfall erlitten hatten und andere nicht. Sie nahmen sieben Signale auf, während die Personen zunächst saßen und dann standen: Herzaktivität (zwei EKG‑Kanäle), Beinmuskelaktivität (zwei EMG‑Kanäle), Blutdruck aus einer Fingerklemme und zwei Atemsignale am Mund – Kohlendioxid in der Ausatemluft und die Atemflussrate. Diese Messungen ähneln denen, die von Krankenhausmonitoren am Bett oder von fortschrittlichen Wearables erfasst werden könnten, was den Ansatz potenziell praktikabel für regelmäßige Kontrollen macht.

Rohwellen in Muster verwandeln, die der Computer lesen kann

Das Team zerteilte jede 10‑minütige Aufnahme in viele 14‑sekündige, sich teilweise überlappende Abschnitte – lang genug, um mehrere Atemzüge und wiederholte Herzschläge zu erfassen. Für jeden Abschnitt berechneten sie eine breite Palette einfacher numerischer Beschreibungen – Mittelwerte, Variabilität, wie oft die Signale die Nulllinie kreuzten und wie sich ihre Energie auf verschiedene Frequenzen verteilte. Diese Merkmale fassen den „Stil“ jedes Signals zusammen, ohne die vollen Wellenformen zu speichern, wodurch Rechenaufwand und Rauschen reduziert werden. Alle Merkmale der sieben Signale wurden dann zusammengeführt, um eine einzelne Stichprobe dafür darzustellen, wie sich der Körper der Person in diesem kurzen Zeitraum verhielt.

Ein einfaches, vom Gehirn inspiriertes Modell, das tiefere Netze übertrifft

Statt eines tiefen, komplexen neuronalen Netzes wählten die Autorinnen und Autoren ein sehr einfaches Modell: ein Einzelschicht‑Perzeptron. Dieses Modell nimmt alle numerischen Merkmale, multipliziert jedes mit einem gelernten Gewicht, summiert sie und führt das Ergebnis durch eine Sättigungsfunktion, um eine Wahrscheinlichkeit für „Schlaganfall“ oder „kein Schlaganfall“ zu erzeugen. Trotz seiner Schlichtheit erreichte das Modell eine Genauigkeit von etwa 85–88 Prozent und übertraf damit komplexere Methoden wie rekurrente und Faltungsnetzwerke, Ensemble‑Echo‑State‑Netze und gängige maschinelle Lernklassifikatoren, soweit sie an denselben Daten getestet wurden. Entscheidend ist: Wurden die respiratorischen Signale (Kohlendioxid und Atemfluss) entfernt, fiel die Genauigkeit auf rund 59 Prozent – ein statistisch signifikanter Rückgang, der zeigt, dass Atemdaten wichtige Informationen liefern, die andere Signale allein nicht erfassen.

Die Blackbox öffnen: Welche Signale wirklich zählen

Ärztinnen und Ärzte sind zu Recht skeptisch gegenüber Black‑Box‑KI, daher nutzte das Team drei Erklärwerkzeuge – SHAP, LIME und Anchors – um zu ermitteln, auf welche Merkmale das Modell am stärksten setzte. Alle drei hoben respiratorische Merkmale, insbesondere solche aus dem Kohlendioxid, als entscheidende Treiber der Vorhersagen hervor. SHAP, ein auf Spieltheorie basierender Erklärer, ordnete den mittleren Wert des ausgeatmeten Kohlendioxids, dessen Variabilität und den durchschnittlichen Blutdruck als die drei wichtigsten Beiträge zur Entscheidung ein, ob eine Probe wie die eines Schlaganfallpatienten wirkt. Hohe mittlere Kohlendioxidwerte und hoher Blutdruck schoben das Modell eher in Richtung „Schlaganfall“, während unregelmäßigere Kohlendioxidmuster auf ein geringeres Risiko hindeuteten. Um zu beurteilen, welchem Erklärer man am meisten vertrauen kann, führten die Autorinnen und Autoren einen speziellen Test durch: Sie entfernten die jeweils obersten Merkmale jeder Methode und beobachteten, wie stark die Modellleistung verschlechterte sich. SHAP verursachte den größten Leistungsabfall und erhielt damit den Titel des zuverlässigsten Interpreten.

Was das für Patientinnen, Patienten und Klinikpersonal bedeutet

Für Laien ist die Botschaft klar: Wie Sie atmen und wie Ihr Körper Kohlendioxid reguliert, kann ebenso aussagekräftig für das Schlaganfallrisiko sein wie Blutdruck oder Herzschlag. Diese Arbeit legt nahe, dass Routinemonitore, die Atemgase, Blutdruck, Herz‑ und Muskelsignale erfassen, mit einfacher, transparenter KI verknüpft werden könnten, um Personen zu markieren, die bereits lange vor einem Schlaganfall eine genauere Abklärung verdienen. Da das Modell sowohl genau als auch erklärbar ist, können Klinikteams sehen, welche Aspekte der Physiologie eines Patienten die Risikoschätzung antreiben, was Vertrauen und gezielte Interventionen unterstützt. Größere Studien sind weiterhin nötig, doch die Ergebnisse heben kohlendioxidbezogene Atemmessungen als vielversprechende neue Marker für die Schlaganfallprävention hervor.

Zitation: Krayem, J., Wong, L., Tham, L.K. et al. Explainable multi-modal approach for uncovering key predictors of stroke-risk from ECG, EMG, blood pressure, and respiratory signals. Sci Rep 16, 6906 (2026). https://doi.org/10.1038/s41598-026-37777-4

Schlüsselwörter: Schlaganfallrisiko, Atemsignale, Kohlendioxid, erklärbare KI, EKG und Blutdruck