Leistung des 12‑Kanal‑EKG bei der Vorhersage des kurz‑ und langfristigen Risikos für plötzlichen Herztod

Warum das für Herzpatienten wichtig ist

Plötzlicher Herztod trifft ohne Vorwarnung und betrifft häufig Menschen, die bereits wissen, dass sie Herzerkrankungen haben. Viele dieser Patienten erhalten routinemäßig Elektrokardiogramme (EKGs), einfache Untersuchungen, die die elektrische Aktivität des Herzens aufzeichnen. In dieser Studie wurde eine drängende Frage für Patienten und Ärztinnen und Ärzte untersucht: Können die in Standard‑12‑Kanal‑EKGs verborgenen Informationen, kombiniert mit grundlegenden klinischen Daten, zuverlässig anzeigen, wer das Risiko hat, plötzlich zu sterben — sei es in mehreren Jahren oder kurzfristig?

Auf der Suche nach Warnzeichen in alltäglichen Herztests

Forscherinnen und Forscher in Finnland werteten die Krankenakten von 17.625 Erwachsenen aus, die in einem einzigen Herzkrankenhaus behandelt und einer Koronarangiographie unterzogen wurden — einer Bildgebung der das Herz versorgenden Gefäße. Diese Patienten galten bereits als hochriskant, da viele eine koronare Herzkrankheit oder ein akutes Koronarsyndrom wie einen Herzinfarkt hatten. Über einen Zeitraum von sechzehn Jahren wurden ihre routinemäßigen EKGs digital gespeichert, was rund eine halbe Million Aufzeichnungen ergab — im Mittel 17 EKGs pro Person. Das Team verfügte außerdem über detaillierte Informationen zu Erkrankungen, Behandlungen und Todesursachen jedes Patienten und verfolgte sie über eine Medianzeit von 7,5 Jahren.

Einem Computer das Lesen der elektrischen Geschichte beibringen

Anstatt Kardiologinnen und Kardiologen die EKGs visuell beurteilen zu lassen, verließen sich die Forschenden auf numerische Messwerte, die automatisch von weit verbreiteter kommerzieller Software extrahiert worden waren. Diese Zahlen beschrieben viele Aspekte des elektrischen Verhaltens des Herzens: wie lange jede Welle dauerte, wie stark sie in den verschiedenen Ableitungen war und ob Rhythmusstörungen wie Vorhofflimmern vorhanden waren. Mit diesem reichen Parametersatz und grundlegenden klinischen Faktoren wie Alter, Pumpfunktion des Herzens und früheren Herzerkrankungen trainierten sie ein fortgeschrittenes maschinelles Lernverfahren namens Gradient Boosting, um Personen, die später einen plötzlichen Herztod oder ein eng verwandtes Ereignis erlitten, von denen zu unterscheiden, die dies nicht taten. Sie entwickelten getrennte Modelle für drei Situationen: nur das erste EKG nach der Angiographie zur Vorhersage des Langzeitrisikos zu verwenden; das zuletzt verfügbare EKG zur Abschätzung des Kurzzeitrisikos zu nutzen; und das letzte EKG plus die Veränderung der EKG‑Merkmale im Zeitverlauf einzubeziehen.

Wie gut funktionierten die Modelle tatsächlich?

Auf dem Papier sahen die Modelle sehr gut aus, wenn man sie nur in den Daten bewertete, mit üblichen Genauigkeitsmaßen, die nahezu exzellente Leistungen suggerierten. Aber als die Forschenden sie realistischer testeten, relativierte sich das Bild. Mit nur einem einzigen Basis‑EKG erreichte die Fähigkeit des Modells, künftige Opfer plötzlichen Herztods von anderen zu unterscheiden, eine Fläche unter der Kurve (AUC) von etwa 0,68 — besser als zufällig, aber bei weitem nicht perfekt. Das zuletzt vor Ende der Nachbeobachtung aufgenommene EKG erzielte allein verwendet keine bessere Leistung. Wenn klinische Risikofaktoren hinzugenommen wurden, stieg die Leistung leicht auf AUC‑Werte um 0,70–0,71. Die besten kurzfristigen Ergebnisse ergaben sich, wenn das letzte EKG mit Informationen darüber kombiniert wurde, wie sich EKG‑Merkmale über die Jahre verändert hatten; in der vollständigen Testmenge erreichte man so eine AUC von etwa 0,72. Zwang man jedoch einen fairen Vergleich zwischen sorgfältig abgeglichenen Patienten mit und ohne plötzlichen Herztod, sanken diese Werte in den mittleren Bereich von 0,6.

Praktische Grenzen der Vorhersage

Da plötzlicher Herztod relativ selten war — selbst in dieser Hochrisikogruppe — gab ein anderes Maß, die Precision‑Recall‑Kurve, ein ernüchternderes Bild. Die Fähigkeit der Modelle, Patienten korrekt zu markieren, die tatsächlich einen plötzlichen Herztod erleiden würden, blieb gering, mit einer durchschnittlichen Präzision von etwa 0,08–0,11. Das war zwar ungefähr doppelt so hoch wie bei reinem Zufall, aber weit unter dem, was nötig wäre, um zuverlässig zu entscheiden, wer invasiven vorbeugenden Maßnahmen wie implantierbaren Defibrillatoren bedarf. Wichtig ist, dass die Studie viele Patienten mit unregelmäßigen Rhythmen und schwerwiegenden Begleiterkrankungen einschloss, im Gegensatz zu früheren, selektiveren Untersuchungen. Diese Wahl machte die Ergebnisse repräsentativer für die klinische Praxis, erschwerte aber gleichzeitig die Vorhersage.

Was das für Patienten und Ärztinnen und Ärzte bedeutet

Einfach gesagt zeigt diese große Studie, dass gewöhnliche 12‑Kanal‑EKGs, selbst wenn sie von ausgefeilten Computeralgorithmen gelesen und mit klinischen Daten kombiniert werden, nur mäßig vorhersagen können, wer unter Hochrisiko‑Herzpatienten plötzlich sterben wird. Die elektrischen Signale des Herzens enthalten nützliche Hinweise — besonders wenn man sie über die Zeit beobachtet —, aber sie sind für sich genommen nicht stark genug, um eindeutige Entscheidungen darüber zu liefern, wer eine aggressive Präventionstherapie benötigt. Vorläufig müssen Ärztinnen und Ärzte und Patienten weiterhin auf ein umfassenderes Bild vertrauen, das Herzfunktion, Symptome, Begleiterkrankungen und neue diagnostische Instrumente einschließt, während die Forschung weiter nach stärkeren und verlässlicheren Warnzeichen sucht.

Zitation: Hernesniemi, J.A., Pukkila, T., Rankinen, J. et al. Performance of the 12-lead ECG in predicting short- and long-term risk of sudden cardiac death. npj Digit. Med. 9, 317 (2026). https://doi.org/10.1038/s41746-026-02456-1

Schlüsselwörter: plötzlicher Herztod, Elektrokardiogramm, maschinelles Lernen, Risikovorhersage, koronare Herzkrankheit