Ein erklärbares KI‑Rahmenwerk zur Vorhersage ischämischer Herzkrankheiten mit verbesserter Eichhörnchen‑Such‑Merkmalsauswahl

Warum klügere Herzchecks wichtig sind

Herzkrankheiten sind nach wie vor weltweit die häufigste Todesursache, doch Ärzte müssen oft knappe Zeit, zahlreiche Testergebnisse und komplexe Computerwerkzeuge gegeneinander abwägen. Diese Studie zeigt, wie ein leicht verständliches System der künstlichen Intelligenz Ärzten helfen kann, ischämische Herzkrankheiten früh zu erkennen und zugleich seine Entscheidungsgründe offenlegt. Anstatt Entscheidungen in einer Blackbox zu verbergen, hebt das System die wenigen Messwerte hervor, die am wichtigsten sind, und ermöglicht Klinikern, Computerunterstützung einzusetzen, ohne Vertrauen oder Kontrolle zu verlieren.

Herzprobleme und die dahinterliegenden Daten

Ischämische Herzkrankheit entsteht, wenn die Durchblutung des Herzens reduziert ist, häufig durch verengte Arterien. Ärztinnen und Ärzte betrachten viele Informationen, etwa Alter, Blutdruck, Cholesterin, Brustschmerzen und Ergebnisse von Herzuntersuchungen. Das in dieser Arbeit verwendete UCI‑Heart‑Disease‑Datenset enthält 303 Patientenakten mit 13 solchen Faktoren sowie einem Label, das das Vorhandensein oder Fehlen der Krankheit angibt. Zwar hilft diese Vielfalt bei der Vorhersage, doch zu viele überlappende oder wenig hilfreiche Messwerte können sowohl Menschen als auch Computer verwirren, die Analyse verlangsamen und manchmal die Genauigkeit verringern.

Aufräumen und Straffen der Krankendaten

Bevor ein Computer aus den Daten lernen kann, müssen die Rohdaten bereinigt und umgeformt werden. Die Forschenden füllten fehlende Werte mit einer Methode auf, die Informationen ähnlicher Patientinnen und Patienten nutzt, skalierten alle Messwerte auf einen gemeinsamen Bereich, wandelten kategoriale Felder wie Brustschmerztypen in numerische Formen um und prüften ungewöhnliche Werte sorgfältig, um echte Ausreißer von wahrscheinlichen Fehlern zu trennen. Außerdem balancierten sie die Anzahl kranker und gesunder Patienten, indem sie realistische Zusatzbeispiele für die kleinere Gruppe erzeugten, und entfernten Merkmale, die nahezu Duplikate voneinander waren. Das Ergebnis ist eine aufgeräumte Tabelle, in der jede Spalte aussagekräftig und analysierbereit ist.

Wie fliegende Eichhörnchen die Merkmalswahl inspirieren

Die Kernidee der Studie ist, dass der Computer nicht alle verfügbaren Messwerte braucht, um gute Vorhersagen zu treffen. Stattdessen soll er automatisch nach einer kleinen Menge der informativsten Messwerte suchen. Dazu verwenden die Autoren ein Optimierungsverfahren, das sich an der Nahrungssuche fliegender Eichhörnchen im Wald orientiert. In ihrem verbesserten Squirrel Search Optimization‑Verfahren repräsentiert jedes „Eichhörnchen“ eine mögliche Teilmenge von Merkmalen, und die Gruppe gleitet gemeinsam durch den Suchraum und passt ihr Verhalten an, wenn der Fortschritt stockt. Die bestleistenden Kombinationen werden beibehalten und verfeinert, um die kleinstmögliche Messwertgruppe zu finden, die dennoch hochgenaue Entscheidungen unterstützt.

Das Modell trainieren und die Blackbox öffnen

Nachdem die eichhörncheninspirierte Suche eine optimale Teilmenge von Merkmalen ausgewählt hat, wird ein Random‑Forest‑Modell trainiert, um vorherzusagen, wer an Herzkrankheit leidet. Random Forest verwendet viele leicht unterschiedliche Entscheidungsbäume, deren Stimmen kombiniert werden, wodurch die Gesamtvorhersage robust gegenüber Datenrauschen wird. Auf den ausgewählten Merkmalen erreicht das Modell etwa 96 bis 98 Prozent Genauigkeit und einen sehr hohen Wert für die Trennung von kranken und gesunden Patienten. Um seine Logik verständlich zu machen, wenden die Forschenden anschließend zwei Erklärungswerkzeuge an. SHAP zeigt, welche Faktoren über das gesamte Datenset hinweg am einflussreichsten sind, während LIME in einzelne Patientenbeispiele hineinzoomt und darlegt, wie deren spezifische Werte die Vorhersage in Richtung höheres oder niedrigeres Risiko treiben.

Was das für Patientinnen, Patienten und Ärztinnen sowie Ärzte bedeutet

Einfach ausgedrückt baut die Studie einen Helfer zur Vorhersage von Herzkrankheiten, der sowohl präzise als auch erklärbar ist. Indem die Eingaben auf eine Handvoll wichtiger Messwerte reduziert und dann klare visuelle Erklärungen geliefert werden, kann das System einer Ärztin oder einem Arzt nicht nur sagen, dass ein Patient wahrscheinlich an ischämischer Herzkrankheit leidet, sondern auch, welche Befunde — etwa ein bestimmtes Scanresultat oder eine veränderte Belastungsreaktion — diese Einschätzung maßgeblich antreiben. Diese Kombination aus Genauigkeit, Einfachheit und Transparenz macht den Ansatz besser für den Einsatz in der klinischen Praxis geeignet, und in Zukunft ließe er sich auf größere Krankenhäuser und reichhaltigere Datenquellen wie Wearables und Bildgebungsuntersuchungen ausweiten.

Zitation: Cenitta, D., Arul, N., Arjunan, R.V. et al. An explainable artificial intelligence framework for ischemic heart disease prediction using enhanced squirrel search feature selection. Sci Rep 16, 15422 (2026). https://doi.org/10.1038/s41598-026-46823-0

Schlüsselwörter: ischämische Herzkrankheit, erklärbare KI, Vorhersage von Herzerkrankungen, Merkmalsauswahl, Random Forest