Validierung der KI-gestützten Analyse von EKG-Bildern zur Identifizierung extremer kardialer Magnetresonanztomographie-Messwerte in einer ethnisch gemischten UK-Biobank-Studie

Warum ein einfacher Herztest viel mehr leisten könnte

Die meisten Menschen kennen das Elektrokardiogramm, oder EKG, als den schnellen Test, bei dem Klebelektroden und Kabel die elektrischen Signale des Herzens aufzeichnen. Was wäre, wenn diese vertrauten Zacken frühe Anzeichen ernsthafter Herzprobleme lange vor dem Auftreten von Symptomen zeigen könnten — ohne teure Scanner oder lange Krankenhausaufenthalte? Diese Studie untersucht, wie künstliche Intelligenz (KI) gewöhnliche EKG-Aufzeichnungen in ein leistungsfähiges Screening-Werkzeug verwandeln kann, das Personen mit versteckten Herzschäden entdeckt, die sonst meist nur in aufwändigen MRT-Untersuchungen zu sehen sind.

Alltägliche Herzkurven in tiefere Einsichten verwandeln

Traditionelle EKGs sind günstig, schnell und nahezu überall verfügbar, haben aber ihre Grenzen: Viele strukturelle Herzprobleme hinterlassen keine offensichtlichen Hinweise in der Standardauswertung. Fortgeschrittene bildgebende Verfahren wie die kardiale Magnetresonanztomographie (CMR) liefern deutlich präzisere Bilder von Herzgröße, -form und Pumpfunktion — sind jedoch kostenintensiv, zeitaufwändig und nicht breit verfügbar. Die Forscher dieses Papiers haben zuvor KI-Systeme entwickelt, die EKG-Bilder „ansehen“ und subtile Herzanomalien abschätzen können, die Ärzte sonst mit Ultraschall oder MRT bestätigen. Hier untersuchten sie, ob diese KI-Werkzeuge auch in einer großen, allgemeineren Population gut funktionieren, die sich deutlich von den Krankenhauspatienten unterscheidet, auf denen sie ursprünglich trainiert wurden.

Eine riesige Gesundheitsdatenbank als Prüfstand aus der Praxis

Das Team nutzte Daten der UK Biobank, eines langfristigen Projekts, das Gesundheitsinformationen einschließlich Bildgebung von Hunderttausenden Freiwilligen sammelt. Sie fokussierten auf 38.804 Personen, die bei demselben Besuch sowohl ein Standard-12-Kanal-EKG als auch eine CMR-Untersuchung erhalten hatten. Anstatt nur klar erkennbare Krankheiten zu suchen, definierten die Forscher „abnorme“ Herzen als jene mit den extremsten 1 % der MRT-Messwerte — Herzen, die schlecht pumpen, Zeichen von Belastung zeigen, ungewöhnlich dicke Muskeln haben oder eine vergrößerte Vorhofkammer aufweisen. So konnten sie eine einfache Frage stellen: Kann eine KI, die EKG-Bilder auswertet, zuverlässig den kleinen Bruchteil von Personen identifizieren, deren MRT-Aufnahmen besorgniserregende Veränderungen zeigen?

Wie gut die KI schwache oder vergrößerte Herzen erkannte

Die sechs KI-ECG-Modelle zeigten beeindruckende Leistungen. Besonders gut erkannten sie Schwächen der linken Hauptpumpkammer und erreichten Genauigkeitswerte, die frühere Arbeiten nur in kleineren oder homogeneren Patientengruppen gezeigt hatten. Die Systeme waren auch leistungsfähig bei der Erkennung subtiler Probleme auf der rechten Herzseite sowie bei der Identifizierung von Personen mit ungewöhnlich dickem Herzmuskel oder vergrößertem linken Vorhof. Über alle Gruppen hinweg waren die von der KI markierten Personen tendenziell älter und hatten häufiger Bluthochdruck oder andere Risikofaktoren — ein Befund, der der klinischen Erwartung entspricht. Die Leistung der KI blieb über verschiedene Altersgruppen, Körpergrößen und Krankengeschichten hinweg stabil und übertraf in vielen Situationen die traditionellen EKG-Regeln, die Ärzte seit Jahrzehnten verwenden.

Was das für die alltägliche Versorgung bedeuten könnte

Da die KI auf Standard-EKG-Bildern arbeitet, könnte sie mit minimalem zusätzlichem Aufwand in vorhandene Geräte oder Software integriert werden. In einer Praxis, Apotheke oder bei einem Screening in der Gemeinde könnte ein EKG im Hintergrund durch das KI-Modell laufen und eine kleine Gruppe von Personen hervorheben, deren Herzbild besonders auffällig ist und die von einer genaueren Abklärung mit MRT oder Ultraschall profitieren könnten. Die Modelle eigneten sich besonders zum Ausschluss schwerer Probleme: Bei niedriger KI-Bewertung war es sehr unwahrscheinlich, dass die Person eines der extremen MRT-Ergebnisse aufwies. Das macht diesen Ansatz gut geeignet als Frühwarnfilter, um knappe Bildgebungsressourcen gezielt dort einzusetzen, wo sie am dringendsten benötigt werden.

Wichtige Vorbehalte und der weitere Weg

Die Studie hat Einschränkungen. Die meisten Freiwilligen in der UK Biobank sind europäischer Herkunft und im Allgemeinen gesünder als typische Krankenhauspatienten, sodass die Ergebnisse in vielfältigeren oder kränkeren Populationen möglicherweise nicht vollständig übertragbar sind. Die Definition von „abnormal“ beruhte auf statistischen Extremen statt auf üblichen klinischen Grenzwerten, was von der gebräuchlichen ärztlichen Diagnosestellung abweichen kann. Und wie viele moderne KI-Systeme funktionieren diese Modelle weitgehend als Blackbox und liefern nur wenige direkte Erklärungen dafür, wie sie zu einer Entscheidung kommen. Die Autoren betonen, dass künftige Arbeiten die Werkzeuge prospektiv testen, Patienten über die Zeit verfolgen und die Transparenz verbessern müssen, bevor KI‑EKGs sicher in den Alltag integriert werden können.

Ein einfacher Test mit weitreichendem Potenzial

Insgesamt zeigt die Studie, dass KI aus einem gewöhnlichen EKG reichhaltige Informationen über Herzstruktur und -funktion extrahieren kann und damit in einer großen, gemeindebasierten Gruppe nahe an das herankommt, was auf aufwendigen MRT-Aufnahmen zu sehen ist. Für Laien ist die Botschaft klar: Eine routinemäßige Herzkurve könnte in Kombination mit intelligenten Algorithmen eines Tages als frühes Radar für versteckte Herzprobleme dienen. Wenn sie sorgfältig validiert und eingesetzt wird, könnten KI-verbesserte EKGs Ärzten helfen, Probleme früher zu erkennen, zu lenken, wer weiterführende Tests braucht, und hochwertige Herzscreenings an Orte zu bringen, an denen komplexe Bildgebung nicht verfügbar ist.

Zitation: Kim, Y., Lee, H., Choi, HM. et al. Validation of AI-enhanced ECG image analysis for identifying extreme cardiac magnetic resonance metrics in a cross-ethnic UK biobank study. Sci Rep 16, 11996 (2026). https://doi.org/10.1038/s41598-026-41824-5

Schlüsselwörter: KI-Elektrokardiogramm, kardiales MRT, Screening auf Herzinsuffizienz, linksventrikuläre Hypertrophie, bevölkerungsbezogene Herzgesundheit