Diagnose der Koronarer Herzkrankheit mittels Signalverarbeitung und maschinellem Lernen von Herzgeräuschen: eine systematische Übersichtsarbeit

Dem Herz zuhören statt in die Gefäße zu fahren

Die koronare Herzkrankheit, bei der die Blutgefäße, die das Herz versorgen, verengt werden, gehört weltweit zu den häufigsten Todesursachen. Heute bestätigen Ärztinnen und Ärzte diese Erkrankung meist mit invasiven Verfahren, bei denen Katheter ins Herz vorgeschoben werden, oder mit teuren bildgebenden Geräten. Diese Studie stellt eine einfache, reizvolle Frage: Könnte die sorgfältige Analyse gewöhnlicher Herzgeräusche — aufgezeichnet mit auf der Brust platzierten Mikrofonen und computergestützt ausgewertet — als sichere, schnelle Erstuntersuchung für verengte Herzkranzgefäße dienen?

Warum verengte Arterien den Herzton verändern

Wenn eine Koronararterie verengt ist, wird das Blut durch eine engere Öffnung gepresst, wodurch turbulenter, schnellerer Fluss entsteht. Diese Turbulenz kann leise Geräusche und zusätzliche Vibrationen erzeugen, besonders während der Erschlaffungsphase des Herzens, wenn der Blutfluss normalerweise ruhiger ist. Dieselbe Minderung der Blutversorgung kann die Pumpkraft des Herzens leicht schwächen und die zeitliche Abfolge sowie die Stärke der Hauptschläge verändern. All diese Veränderungen formen die „Musik“ des Herzschlags geringfügig um. Moderne elektronische Stethoskope können diese Töne erfassen, die dann in digitale Signale umgewandelt und computergestützt analysiert werden.

Wie die Forschenden die wissenschaftliche Literatur durchsuchten

Die Autorinnen und Autoren durchsuchten vier große medizinische Datenbanken und sichten mehr als tausend Publikationen zu Herzgeräuschen und Koronarerkrankung. Nach dem Entfernen von Duplikaten, sehr kleinen Berichten und Arbeiten mit mangelhaften Methoden blieben 40 Studien übrig, die zusammen 13.814 Personen umfassten. Fast alle Studien bestätigten das Vorhandensein oder Fehlen signifikanter Gefäßverengungen mittels Standard‑Bildgebung der Koronararterien und verglichen diese Befunde dann mit den aus den Herzgeräuschen gewonnenen Informationen. Etwa die Hälfte der Studien basierte auf traditioneller Signalverarbeitung — mathematischen Beschreibungen von Schallenergie und Frequenz —, während die andere Hälfte maschinelles Lernen einsetzte, bei dem Algorithmen Muster direkt aus den Daten erlernen.

Grenzen traditioneller Messungen von Herzgeräuschen

Im älteren Ansatz wählten Forschende einige spezifische Geräuschmerkmale aus, von denen sie annahmen, dass sie auf verengte Arterien hinweisen könnten. Typische Messgrößen waren etwa, wie viel Schallenergie in bestimmten Frequenzbändern während der Erschlaffungsphase auftrat oder wie lang und wie stark die Hauptschläge waren. Diese Studien wirkten in kleinen Patientengruppen oft vielversprechend und berichteten gelegentlich, dass sie die Erkrankung in mehr als 70 Prozent der Fälle korrekt identifizieren konnten. Mit zunehmender Stichprobengröße in die Hunderte oder Tausende sank die Genauigkeit jedoch häufig, oft unter 70 Prozent und manchmal nahe an Zufallsrate. Viele dieser Arbeiten testeten ihre Methoden außerdem an denselben Personen, an denen sie entwickelt worden waren, was Zweifel aufkommen lässt, ob die Ergebnisse bei neuen Patientengruppen Bestand hätten.

Maschinelles Lernen erkennt verborgene Muster im Herz

Die neueren Studien verfolgten einen anderen Ansatz. Anstatt sich auf wenige handverlesene Merkmale zu beschränken, ließen sie Computeralgorithmen reichere Muster im Schall erlernen. Manche kombinierten Dutzende oder sogar Hunderte traditioneller Messgrößen; andere speisten die Rohschallwelle oder farbige Zeit‑Frequenz‑Darstellungen des Herzschlags in Deep‑Learning‑Netze ein. In 19 solchen Studien berichteten die meisten Sensitivitäts‑ und Spezifitätswerte über 80 Prozent, was bedeutet, dass die Systeme sowohl erkrankte als auch gesunde Personen in vielen Fällen korrekt erkannten. Wichtig ist, dass die meisten maschinellen Lernstudien ihre Modelle an Herzgeräuschen von Personen testeten, die nicht für das Training verwendet wurden, was mehr Vertrauen darin schafft, dass die Werkzeuge generalisierbar sind. Modelle, die den gesamten Herzzyklus hörten statt nur die ruhige diastolische Phase, schnitten tendenziell am besten ab — was darauf hindeutet, dass nützliche Hinweise auf eine Gefäßverengung über den gesamten Herzschlag verteilt sind und sich nicht auf einen einzigen Moment beschränken.

Was das für die tägliche Versorgung bedeuten könnte

Zusammengefasst deuten die Befunde darauf hin, dass maschinelles Lernen angewandt auf Herzgeräusche echtes Potenzial als nichtinvasives Hilfsmittel zur Erkennung koronarer Herzkrankheit hat, während einfachere signalverarbeitungstechnische Ansätze allein vermutlich nicht genau genug sind. Die Autorinnen und Autoren warnen jedoch, dass die meisten Studien bislang klein waren und an einzelnen Kliniken unter oft kontrollierten Aufnahmebedingungen durchgeführt wurden. Um aus der Forschung in den klinischen Alltag zu gelangen — etwa in Notaufnahmen, Praxen oder sogar als smartphonebasierte Werkzeuge — sind größere, multizentrische Studien nötig. Diese Studien müssen zeigen, dass solche Systeme in unterschiedlichen Patientengruppen genau bleiben, für Klinikpersonal verständlich sind und sich nahtlos in Versorgungsabläufe einfügen. Können diese Hürden überwunden werden, könnte das genaue Zuhören des Herzens mit Unterstützung künstlicher Intelligenz eines Tages verborgene Gefäßverengungen aufspüren, lange bevor ein invasiver Test nötig wird.

Zitation: Ainiwaer, A., Konings, T.J., Kadier, K. et al. Coronary artery disease diagnosis with signal processing and machine learning of heart sound signals: a systematic review. npj Digit. Med. 9, 350 (2026). https://doi.org/10.1038/s41746-026-02530-8

Schlüsselwörter: koronare herzkrankheit, herzgeräusche, maschinelles lernen, nichtinvasive diagnose, digitales stethoskop