Nachhaltige und interpretierbare Vorhersage von Herzkrankheiten: ein klinisches Entscheidungsunterstützungsverfahren für biomedizinische Gesundheitsanwendungen

Warum klügere Herzuntersuchungen wichtig sind

Herzkrankheiten sind die weltweit führende Todesursache, dennoch erfahren viele Menschen erst nach einem schweren Ereignis wie einem Herzinfarkt, dass sie gefährdet sind. Ärzte erfassen bereits einfache Messgrößen – wie Alter, Blutdruck, Cholesterin und grundlegende Testergebnisse – doch aus diesen Informationen schnell und verlässlich ein Ja‑oder‑Nein zur Herzkrankheit zu machen, ist schwierig. Diese Studie untersucht ein neues Computermodell, das aus diesen routinemäßigen Zahlen lernen, mit sehr hoher Genauigkeit vorhersagen kann, wer wahrscheinlich an einer Herzkrankheit leidet, und vor allem seine Entscheidungsgründe in Begriffen erklären kann, die Ärztinnen und Ärzte nachvollziehen können.

Dauerhaft wachsende Belastung durch Herzkrankheiten

Jedes Jahr fordern Herz‑Kreislauf‑Erkrankungen weltweit etwa 18 Millionen Todesfälle. Viele dieser Todesfälle könnten verhindert werden, wenn Hochrisikopatienten früher erkannt und behandelt würden. Traditionelle Diagnosetests können invasiv, teuer oder für Grenzfälle nicht genau genug sein. Gleichzeitig speichern Krankenhäuser heute riesige Mengen digitaler Patientendaten, von Alter und Geschlecht bis zu Blutdruck, Cholesterin und grundlegenden Herztestwerten. Aus dieser Datenflut verlässliche Risikoeinschätzungen zu gewinnen, ist eine der größten Chancen – und Herausforderungen – der modernen Medizin.

Von Black Boxes zu transparenten Helfern

In den letzten Jahren hat künstliche Intelligenz gezeigt, dass sie subtile Muster in medizinischen Daten erkennen kann, die Menschen möglicherweise übersehen. Viele leistungsstarke Modelle funktionieren jedoch wie „Black Boxes“: Sie sind zwar genau, können aber nicht leicht erklären, warum sie eine bestimmte Entscheidung getroffen haben. Diese fehlende Transparenz ist ein Problem in der Medizin, wo Ärztinnen und Ärzte Diagnosen und Behandlungsentscheidungen begründen müssen. Die Autorinnen und Autoren schließen diese Lücke, indem sie ein Herzkrankheits‑Vorhersagesystem entwickeln, das auf einem eindimensionalen Faltungsneuronalen Netz (1D‑CNN) basiert. Im Gegensatz zu älteren Methoden, die Experten erfordern, um handverlesene Merkmale zu definieren, entdeckt dieses Netz automatisch nützliche Muster in standardmäßigen Patientenmessungen und ist gleichzeitig so effizient gestaltet, dass es auch in Kliniken mit begrenzten Rechnerressourcen einsetzbar ist.

Wie das Modell aus Routineuntersuchungen lernt

Die Forschenden trainierten ihr System an einem häufig verwendeten Herzkrankheiten‑Datensatz mit 303 Patientenakten, jeweils mit 14 häufig erfassten Parametern wie Alter, Geschlecht, Blutdruck, Cholesterinwert, Art der Brustschmerzen und Ergebnissen grundlegender Herztests. Sie bereiteten die Daten sorgfältig vor: numerische Werte wurden standardisiert, damit keine einzelne Messgröße den Lernprozess dominierte, und Kategorien wie die Art der Brustschmerzen wurden in numerische Form überführt. Um das vergleichsweise kleine Datenset optimal zu nutzen und das natürliche Rauschen klinischer Messungen zu simulieren, fügte das Team dem Trainingssatz eine kleine zufällige Variation hinzu. Anschließend speisten sie diese Datensätze in eine kompakte 1D‑CNN‑Architektur mit zwei Hauptmust­er­erkennungs‑Schichten, gefolgt von Schichten, die diese Muster zu einer finalen Vorhersage „Krankheit“ oder „keine Krankheit“ zusammenführen.

Aus Zahlen vertrauenswürdige Erklärungen machen

Allein die Leistung reicht in der Klinik nicht aus, deshalb kombinierten die Autorinnen und Autoren ihr Modell mit zwei Erklärverfahren, die als LIME und SHAP bekannt sind. Diese Methoden untersuchen das trainierte Netzwerk, um abzuschätzen, wie stark jeder Eingabefaktor für eine einzelne Patientenvorhersage in Richtung „Krankheit“ oder „keine Krankheit“ wirkt. In der Praxis bedeutet das, dass das System der Ärztin oder dem Arzt nicht nur sagt, dass ein Patient ein hohes Risiko hat, sondern auch etwa, dass das Ergebnis hauptsächlich durch eine Kombination aus Geschlecht, Anzahl verengter Blutgefäße und einer Blutkrankheit namens Thalassämie getrieben wird. Diese hervorgehobenen Merkmale stimmen mit etablierten medizinischen Erkenntnissen zum Herzkrankheitsrisiko überein, was Klinikerinnen und Klinikern hilft zu beurteilen, wann dem Modell zu vertrauen ist und wann es hinterfragt werden sollte.

Ergebnisse, die in den Alltag der Kliniken reichen könnten

Auf Testdaten, die das Modell nie zuvor gesehen hatte, klassifizierte es den Herzkrankheitsstatus bei etwa 98 von 100 Patientinnen und Patienten korrekt, erreichte in diesem Beispiel eine perfekte Präzision bei der Kennzeichnung von Krankheitsfällen (es gab keine Fehlalarme in dieser Stichprobe) und zeigte insgesamt eine nahezu perfekte Fähigkeit, kranke von gesunden Herzen zu unterscheiden. Ebenso wichtig war, dass das System leichtgewichtig war: Es ließ sich in wenigen Minuten auf üblicher Cloud‑Hardware trainieren und lieferte Antworten in Bruchteilen einer Sekunde, was darauf hindeutet, dass es auf normalen Krankenhausrechnern und nicht auf spezialisierten Supercomputern laufen könnte. Obwohl die Studie auf einem historischen Datensatz basiert und breiter über Krankenhäuser und Populationen geprüft werden muss, weist sie in Richtung einer Zukunft, in der Routinedaten aus Checkups kombiniert mit transparenter KI Ärztinnen und Ärzten eine verlässliche „zweite Meinung“ liefern können, um Herzkrankheiten früher zu erkennen – besonders in ressourcenarmen Gesundheitssystemen.

Zitation: Kehkashan, T., Abdelhaq, M., Al-Shamayleh, A.S. et al. Sustainable and interpretable heart disease prediction: a clinical decision support approach for biomedical healthcare applications. Sci Rep 16, 7213 (2026). https://doi.org/10.1038/s41598-026-37840-0

Schlüsselwörter: Vorhersage von Herzkrankheiten, erklärbare KI, klinische Entscheidungsunterstützung, Faltungsneuronale Netze, Analyse medizinischer Daten