Früherkennung von Herzstillstand außerhalb des Krankenhauses mittels tiefen sprachbasierten Modells aus Echtzeit-Notrufen

Warum schnellere Erkennung von Herznotfällen wichtig ist

Wenn das Herz einer Person unerwartet außerhalb eines Krankenhauses aufhört zu schlagen, zählt jede Sekunde. Überleben hängt davon ab, wie schnell die Situation erkannt, Hilfe gerufen und Brustkompressionen begonnen werden. Doch selbst geschulte Einsatzdisponenten können solche Fälle in chaotischen Telefongesprächen übersehen. Diese Studie untersucht, ob ein fortschrittliches, sprachbasiertes KI-System Notruf-Transkripte in Echtzeit mitlesen und mögliche Herzstillstände markieren kann, um Disponenten in der kritischsten ersten Minute ein zusätzliches Paar Ohren zu geben.

Was während eines 911-ähnlichen Anrufs passiert

Ein Herzstillstand außerhalb des Krankenhauses tritt ohne Vorwarnung auf, unterbricht den Blutfluss und bedroht innerhalb von Minuten das Gehirn. Die Überlebenschancen steigen dramatisch, wenn Umstehende schnell mit Brustkompressionen beginnen, oft angeleitet am Telefon durch Disponenten. Anrufer sind jedoch oft panisch, unsicher, was sie sehen, oder werden durch abnormales Keuchen, das wie Atmen klingt, in die Irre geführt. Infolgedessen erkennen Disponenten etwa in einem von vier Fällen den Herzstillstand nicht, was lebensrettende Anweisungen verzögert. Traditionelle Hilfsmittel arbeiten mit starren Fragenkatalogen oder suchen nach bestimmten Stichwörtern in Anrufen, lassen sich aber leicht von vagen, emotionalen oder irreführenden Formulierungen täuschen.

Wie eine konversationsbewusste KI entwickelt wurde

Die Forschenden entwickelten ein System namens DyLM-OHCA, das Deep-Language-Modeling verwendet – eine Technik ähnlich derer hinter modernen Chatbots –, um Notruf-Transkripte zu analysieren. Anstatt sich auf isolierte Wörter zu konzentrieren, liest das Modell den wechselseitigen Dialog zwischen Anrufer und Disponent, während er sich entfaltet. Es wurde mit fast 159.000 Notrufen aus drei großen südkoreanischen Städten trainiert, darunter mehr als 2.600 bestätigte Herzstillstände. Im Training lernte das Modell, jede neue Wortsequenz in eine laufende Schätzung umzuwandeln, ob der Anrufer einen Herzstillstand, einen anderen schweren Notfall oder ein weniger ernstes Problem beschreibt – und das ganz ohne detaillierte Satz-zu-Satz-Labels.

Wie gut die KI Herzstillstände erkennt

Das Team testete DyLM-OHCA an zuvor unbekannten Anrufen und bat es zu entscheiden, innerhalb der ersten 60 Sekunden, ob ein Herzstillstand vorliegt. Verglichen mit vier etablierten maschinellen Lernverfahren, die auf von Hand erstellten Wortstatistiken beruhen, war das sprachbasierte System deutlich genauer. Es trennte Herzstillstands-Anrufe von anderen in mehr als neun von zehn Fällen nach üblichen Kennzahlen korrekt, und erkannte etwa vier von fünf echten Herzstillständen innerhalb der ersten Minute. Im Durchschnitt gab es die erste Warnung rund 20 Sekunden nach Beginn des Anrufs — mehr als 20 Sekunden schneller als einige frühere Computermodelle in anderen Studien — und hielt zugleich falsche Alarme bei unter einem von zehn Anrufen.

Worauf die KI tatsächlich hört

Um die Entscheidungen des Systems besser zu verstehen, untersuchten die Forschenden, welche Gesprächsteile das Modell am stärksten in Richtung Warnung vor Herzstillstand schoben. Anstatt sich an ein einzelnes Zauberwort zu klammern, reagierte das Modell auf Muster: eine Frage des Disponenten, ob die Person bei Bewusstsein oder am Atmen sei, gefolgt von Aussagen des Anrufers wie „wacht nicht auf“ oder Andeutungen, dass etwas ernsthaft nicht stimmt. Das Modell verfolgte außerdem, wie sich seine eigene Sicherheit im Verlauf veränderte. In den meisten echten Herzstillstands-Fällen blieb der Risiko-Score, sobald er anstieg, hoch. Bei mehr als der Hälfte der Fehlalarme jedoch erreichte der Score früh ein Maximum und fiel dann, als das Gespräch Details offenbarte, die auf andere Notfälle wie Anfälle oder Atembeschwerden hinwiesen.

Wie das reale Disponenten unterstützen könnte

Praktisch ist DyLM-OHCA als stiller Assistent konzipiert, nicht als Ersatz menschlichen Urteils. Während sich ein Anruf entwickelt, würde es kontinuierlich ein Risikosignal aktualisieren, das der Disponent sehen kann, zusammen mit einfachen Erklärungen, welche kürzlichen Formulierungen die Warnung ausgelöst haben. Dieser Kontext könnte die Warnungen vertrauenswürdiger machen als Black-Box-Alarme älterer Modelle und zu fokussierteren Fragen oder früheren Anweisungen für Brustkompressionen führen, wenn Sekunden zählen. Die Studie wurde mit koreanischsprachigen Anrufen in einem Land durchgeführt und noch nicht live getestet, deutet jedoch darauf hin, dass konversationsbewusste KI die frühe Erkennung von Herzstillständen spürbar verbessern und letztlich die Überlebenschancen erhöhen könnte.

Zitation: Choi, HJ., Hwang, M., Cho, S. et al. Deep language model-based early recognition of out-of-hospital cardiac arrest from real-time emergency calls. npj Digit. Med. 9, 307 (2026). https://doi.org/10.1038/s41746-026-02498-5

Schlüsselwörter: Herzstillstand, Notrufe, künstliche Intelligenz, Sprachmodelle, dispatcher-unterstützte Reanimation