KI entdeckt verborgenes Warnsignal im EKG, das plötzlichen Herztod vorhersagen könnte

Worum es geht

In den USA sterben jedes Jahr mehr als 300.000 Menschen am plötzlichen Herzstillstand. Dabei versagt das elektrische System des Herzens schlagartig, und das Herz hört auf, Blut zu pumpen. Das trifft ältere Menschen mit bekannten Herzproblemen, aber auch scheinbar gesunde junge Sportler. Ein implantierter Defibrillator kann viele dieser Todesfälle verhindern. Das ist ein kleines Gerät unter der Haut, das bei gefährlichem Herzrhythmus einen Stromstoß abgibt. Das Problem: Ärzte wissen oft nicht, wer so ein Gerät braucht.

Ein Team um Ziad Obermeyer, Notfallmediziner und Associate Professor an der School of Public Health der University of California, Berkeley, hat dafür eine KI trainiert. Sie liest aus einem gewöhnlichen, zehn Sekunden langen Elektrokardiogramm (EKG) ab, wie hoch das Risiko ist. Ein EKG zeichnet die elektrische Aktivität des Herzens auf. Die Studie „An ECG biomarker for sudden cardiac death discovered with deep learning“ erschien in der Fachzeitschrift Nature. Neben Obermeyer haben Alexander Schubert, James Ross, Sendhil Mullainathan und Markus Lingman daran mitgearbeitet. Die Universität hatte die Ergebnisse bereits im Juni 2026 vorgestellt.

Warum der bisherige Test nicht reicht

Bisher stützen sich Kardiologen vor allem auf die linksventrikuläre Ejektionsfraktion (LVEF). Das ist eine Ultraschallmessung, die zeigt, wie viel Blut die linke Herzkammer pro Schlag auswirft. Liegt der Wert unter einer bestimmten Schwelle, kommt ein Defibrillator infrage. Die Methode hat aber zwei große Schwächen:

• Viele Gefährdete werden nie untersucht. Für die Messung braucht es eine aufwendigere Untersuchung, und wer keine Beschwerden hat, bekommt sie nicht. „Viele Menschen, die plötzlich an einem Herzstillstand sterben, hatten entweder nie den Ultraschall oder ihre Ergebnisse waren normal“, sagt Obermeyer laut Scientific American.
• Viele Implantate werden nie gebraucht. Etwa zwei Drittel der Defibrillatoren, die Hochrisikopatienten eingesetzt werden, geben nie einen Schock ab. Diese Menschen durchlaufen also einen teuren, invasiven Eingriff gegen einen Notfall, der vielleicht nie kommt.

Außerhalb eines Krankenhauses überleben rund 90 Prozent der Betroffenen einen plötzlichen Herzstillstand nicht. Deshalb ist es so wichtig, gefährdete Menschen früh zu erkennen. Obermeyer sagt dazu:

„Was das Problem so tragisch, aber auch so gut für KI geeignet macht: Wir haben die Heilung. Wenn du wüsstest, dass du zu denen gehörst, die tot umfallen werden, würdest du zum Kardiologen gehen und dir einen Defibrillator einsetzen lassen. Das Problem ist, dass Ärzte nicht herausfinden können, wer einen braucht, bevor es zu spät ist.“

Wichtig ist die Abgrenzung zum Herzinfarkt. Bei einem Infarkt ist ein Blutgefäß verstopft. Beim Herzstillstand fällt dagegen die elektrische Steuerung des Herzschlags aus.

Wie die KI trainiert wurde

Am Modell selbst ist wenig Besonderes. Das Team verwendete ein ResNet mit 64 Schichten, also ein „residuales“ neuronales Netz. Diese weit verbreitete Bauart für Bild- und Signalanalyse kann durch Abkürzungen zwischen den Schichten sehr tief werden. „Das ist ein Arbeitspferd, das alle benutzen. Daran ist nichts Interessantes“, sagt Obermeyer gegenüber Scientific American. „Interessant sind die Daten, aus denen es gelernt hat.“

Die Trainingsdaten stammen aus sechs Jahren EKG-Aufzeichnungen im einheitlichen schwedischen Gesundheitssystem: mehr als 440.000 EKGs von rund 180.000 Patienten, verknüpft mit den nationalen Totenscheinen. Die KI sah EKGs von Gesunden, von Patienten mit bekannten Risiken und von Menschen, die später am plötzlichen Herztod starben. Daraus lernte sie, welche Kombinationen von Zacken und Wellen auf ein erhöhtes Risiko hindeuten.

Danach prüfte das Team das Modell an zwei unabhängigen Datensätzen: zwei Jahre anonymisierter EKGs aus einem Klinikverbund in San Diego und eine separate Sammlung aus Taipeh. So sollte sich zeigen, dass das Ergebnis keine Eigenheit der schwedischen Bevölkerung oder der schwedischen Messgeräte ist. Allein der Aufbau der Datensätze hat laut Obermeyer rund zehn Jahre gedauert. Beteiligt waren zwei Organisationen, die er mitgegründet hat: Dandelion Health und Nightingale Open Science. „Gute KI beginnt mit guten Daten“, sagt er. Solche Daten seien aber extrem schwer zugänglich, und das sei ein wesentlicher Grund, warum bis heute so wenig klinische KI im Einsatz ist.

Die Ergebnisse in Zahlen

Die KI markierte etwa 2,2 Prozent der Patienten als hochgefährdet. In dieser Gruppe war das Sterberisiko deutlich höher als in der Gruppe, die der klassische Test findet. Mehr als 86 Prozent der von der KI erkannten Patienten wären nach dem herkömmlichen LVEF-Kriterium laut Scientific American gar nicht aufgefallen. Viele von ihnen wären ohne Defibrillator nach Hause geschickt worden. Laut UC Berkeley geht es um Tausende Patienten pro Jahr, die nach heutigen Maßstäben als risikoarm gelten.

Ein praktischer Vorteil: Die KI arbeitet mit ganz normalen EKG-Bildern, die in Kliniken weltweit ohnehin täglich entstehen. Es braucht also keine neue Untersuchung. Auch mit EKGs aus Verbrauchergeräten wie einer Apple Watch oder einfachen Smartphone-Zubehörteilen funktioniert das Modell. Es schneidet dort etwas schlechter ab, laut den Forschern aber nur geringfügig.

Eine zweite KI übersetzt, was die erste sieht

Besonders ist der zweite Teil der Studie. Übliche Erklärwerkzeuge wie Saliency Maps markieren nur, welche Stellen eines Signals für das Netz besonders wichtig waren. Sie zeigen aber nicht, wie ein auffälliges Signal aussieht. Ein Kardiologe kann eine ungewöhnliche Welle aufzeichnen, ein neuronales Netz kann das von sich aus nicht.

Das Team baute deshalb ein generatives KI-Modell, also eines, das selbst neue Daten erzeugt. „Seine Aufgabe war es, EKG-Kurven zu erzeugen, die für das erste Modell nach hohem Risiko aussehen“, erklärt Obermeyer. Gesteuert vom Risikowert des ersten Netzes verwandelte das generative Modell das EKG eines echten Patienten mit niedrigem Risiko Schritt für Schritt in eine Hochrisiko-Version derselben Kurve. Dabei wurde sichtbar, welche Merkmale sich verändern.

Viele dieser Merkmale kannten Kardiologen schon. Eines war aber in der medizinischen Literatur noch nie beschrieben worden: eine feine „Verschleifung“ in der Ableitung aVL (augmented vector left). Eine Ableitung ist eine bestimmte Messrichtung zwischen den Elektroden. Das Muster deutet darauf hin, dass das elektrische Signal auf seinem Weg durch den Herzmuskel zerfasert.

Der Biomedizintechniker Changxin Lai hat die Studie begutachtet und in Nature einen Begleitkommentar geschrieben. Er hält genau das für den Kern der Arbeit: Das EKG gebe es seit mehr als 100 Jahren, Generationen von Kardiologen hätten solche Daten sorgfältig ausgewertet, und nun habe man neues Wissen aus einem KI-Modell gewonnen.

Für einige Hochrisikopatienten lagen auch Aufnahmen aus der Kardio-MRT vor. Sie zeigten eine feine, verteilte Fibrose, also Vernarbung des Herzgewebes, die die elektrische Weiterleitung stören kann. Das würde zu den künstlich erzeugten Kurven passen. Obermeyer betont aber, dass dieser Zusammenhang vorläufig ist und noch durch Gewebeproben bestätigt werden muss.

Wie es weitergeht

Obermeyer arbeitet bereits mit Gesundheitssystemen in Schweden, Taiwan und den USA daran, den Algorithmus auf bestehende EKG-Datenbanken von Kliniken anzuwenden. Wer als hochgefährdet markiert wird, soll von Ärzten kontaktiert werden. Diese Patienten können dann ein Pflaster tragen, das den Herzrhythmus dauerhaft aufzeichnet. Die längeren Aufzeichnungen sollen helfen, den biologischen Mechanismus hinter dem Warnsignal zu verstehen. In manchen Fällen könnten sie auch für einen Defibrillator sprechen. Außerdem hat Obermeyer eine Website eingerichtet, auf der Interessierte Basisdaten und ihre E-Mail-Adresse hinterlassen können, um später für eine EKG-Analyse kontaktiert zu werden. Die Adresse nennen die Quellen nicht.

Obermeyer selbst warnt vor voreiligen Schlüssen:

„Ich würde niemandem raten, sich einen Defibrillator einsetzen zu lassen, nur weil wir sagen, dass sein EKG ein hohes Risiko zeigt. Das Schöne ist: Man muss der KI gar nicht glauben. Man kann sie einfach nutzen, um gezielt weitere Tests anzustoßen.“

Einordnung

Die Studie ist aus zwei Gründen bemerkenswert. Erstens nutzt sie eine billige, überall verfügbare Untersuchung, um Menschen zu finden, die heute durch das Raster fallen. Zweitens liefert sie nicht nur eine Vorhersage aus einer „Black Box“, sondern ein konkretes, für Menschen sichtbares Merkmal, das Kardiologen prüfen und lernen können. Damit unterscheidet sie sich von vielen medizinischen KI-Projekten, die zwar Treffer liefern, aber nicht erklären, warum.

Offen bleibt einiges. Ob der Einsatz des Algorithmus tatsächlich Todesfälle verhindert, ist noch nicht belegt. Darauf weisen sowohl SciTechDaily als auch unabhängige Experten hin. Sumeet S. Chugh, Leiter des Center for Cardiac Arrest Prevention am Cedars-Sinai Medical Center, nennt das Forschungsfeld wichtig. Aus Sicht der Patientenversorgung sei aber noch viel Forschung nötig, bevor man solche Befunde zur Auswahl von Defibrillator-Kandidaten nutzen könne. Auch eine Rate von 7 Prozent pro Jahr heißt: Die große Mehrheit der markierten Menschen stirbt im jeweiligen Jahr nicht. Ein breites Screening würde also viele Folgeuntersuchungen auslösen. Der vermutete Zusammenhang mit Fibrose ist bisher nur ein Hinweis. Trotzdem zeigt die Arbeit, wie KI über die reine Vorhersage hinaus helfen kann, neue medizinische Erkenntnisse zu gewinnen. Obermeyer spricht von einer „neuen Art, Wissenschaft zu betreiben“.