Dr. Antonius Büscher erhielt die Ehrung für das Forschungsprojekt „Deep-Learning-basiertes EKG-Modell zur Risikostratifizierung hinsichtlich der Notwendigkeit koronarer Revaskularisation in der Notaufnahme“. Die zugrunde liegende Innovation ermöglicht eine zügige und sichere Einschätzung des Erkrankungsrisikos sowie eine schnelle und effiziente Versorgung in Notaufnahmen von Kliniken.

Zeitverluste beim Herzinfarkt gelten als besonders kritisch. Jede Minute zählt: Je früher der Verschluss einer Herzkranzarterie beseitigt wird, desto eher gelangt wieder Sauerstoff zu den Herzmuskelzellen und desto weniger dieser Zellen sterben ab. Schnelles Handeln begrenzt den Schaden. „Zeit ist Muskel“, wenn es um die möglichst rasche Versorgung von Menschen mit Verdacht auf Herzinfarkt geht. Patientinnen und Patienten mit einem akuten Herzinfarkt müssen daher schnell erkannt werden.

Die wichtigsten Instrumente zur sicheren Diagnose eines Herzinfarkts sind das EKG (Elektrokardiogramm) und der Blutwert Troponin (hs-TnT – hochsensitives Troponin T). In der Notaufnahme ist die eindeutige Diagnose jedoch nicht immer einfach: Das EKG zeigt nicht bei allen Betroffenen klare Veränderungen, und auch erhöhte Troponin-Werte können auftreten, ohne dass ein klassischer Gefäßverschluss des Herzens vorliegt.

Digitale Entscheidungshilfe durch KI

Dr. med. Antonius Büscher und seine Arbeitsgruppe vom Universitätsklinikum Münster haben ein KI (Künstliche Intelligenz)-basiertes Instrument zur eigenständigen Auswertung von EKG-Aufzeichnungen entwickelt, das für den Einsatz in Notaufnahmen vorgesehen ist. Unabhängig vom Troponin-Wert lässt sich damit das Risiko von Patientinnen und Patienten mit Herzinfarkt sehr sicher einschätzen sowie die Frage beantworten, ob eine Behandlung im Herzkatheterlabor erforderlich ist.

Für das Projekt erhielt Dr. Büscher den Forschungspreis „Digitale Innovationen in der Herzmedizin“. In der Begründung hob Prof. Dr. Thomas Voigtländer, Vorstandsvorsitzender der Deutschen Herzstiftung, hervor: „Die ausgezeichnete Arbeit von Dr. Büscher leistet einen wichtigen Beitrag für die Weiterentwicklung der Herzinfarkt-Diagnostik in der modernen Kardiologie und könnte dazu beitragen, dass schneller abgeklärt werden kann, ob ein Herzinfarkt vorliegt und zügig geeignete Behandlungsmaßnahmen erfolgen“, betonte der Kardiologe Prof. Dr. Thomas Voigtländer, Vorstandsvorsitzender der Deutschen Herzstiftung anlässlich der Preisverleihung im Rahmen der Jahrestagung der DGK in Mannheim.

Das Deep-Learning (DL)-Modell ermöglicht anhand eines üblichen 12-Kanal-EKG die Vorhersage des Risikos und damit der Notwendigkeit eines Herzkathetereingriffs. „Der Ansatz zielt darauf ab, eine sofort verfügbare Risikoeinschätzung ohne zusätzliche klinische Informationen zu ermöglichen und somit Wartezeiten in der Notaufnahme zu reduzieren“, erklärt Dr. Büscher, Arbeitsgruppenleiter „Computational Cardiology Research Group“ und Assistenzarzt an der Klinik für Kardiologie II des Universitätsklinikums Münster.

Zur Entwicklung wurde das Modell mit Daten einer repräsentativen Patientenkohorte trainiert, die 180.686 Notaufnahmevorstellungen aus den USA umfasst. Anschließend erfolgte die Validierung anhand einer externen unabhängigen Validierungskohorte mit 18.673 Fällen aus europäischen Notaufnahmen [1].

Deep-Learning-Modell für den klinischen Alltag

„Diese breite Datengrundlage ermöglicht es dem Modell, die gesamte Bandbreite an Patienten zu erfassen, die in der Notaufnahme vorstellig werden, also auch Patienten mit untypischen oder unauffälligen Symptomen“, erklärt Büscher. „Dadurch ist das Modell besser für den Routineeinsatz in der Notaufnahme geeignet, als Modelle, die auf spezifische, stark selektierte Patientengruppen fokussiert sind.“

Die Risikostratifizierung erfolgt in niedriges, mittleres und hohes Risiko. Hochrisiko-Patienten werden mit einer Spezifität von 96 bis 97 Prozent erkannt, während Niedrigrisiko-Patienten mit einer Wahrscheinlichkeit von 99,5 bis 99,9 Prozent tatsächlich keinen Herzinfarkt aufweisen. Das DL-Modell übertrifft damit deutlich die Vorhersagegenauigkeit einer ärztlichen EKG-Interpretation.

Die Ergebnisse deuten zudem darauf hin, dass sich das EKG-Modell und die Bestimmung von Troponin-Werten diagnostisch ergänzen könnten: Während hs-TnT mit hoher Sensitivität auf das Vorliegen eines Herzinfarkts hinweist, weist das EKG-Modell eine höhere Spezifität für das Erkennen eines sogenannten Typ-1-Herzinfarkts auf, also eines Infarkts infolge einer Plaque-Ruptur oder eines Thrombus in einer Herzkranzarterie.

Verbesserte diagnostische Genauigkeit und Effizienz

„Damit ermöglicht das DL-Modell eine standardisierte Bewertung von EKG-Befunden in allgemeinen Notaufnahmen von Krankenhäusern, zugleich erhöht sich die diagnostische Genauigkeit und die Versorgungseffizienz ließe sich verbessern,“ so Professor Dr. Thorsten Dill, Chefarzt der Klinik für Innere Medizin und Kardiologie am Sana Krankenhaus Düsseldorf-Benrath.

Dies komme insbesondere den Patientinnen und Patienten zugute: Nur diejenigen, die tatsächlich und dringlich einen Herzkathetereingriff benötigen, erhalten diese hochspezialisierte Behandlung, während anderen eine wahrscheinlich unnötige, invasive und kostenintensive Maßnahme erspart bleibt.

„Die Studie zeigt, dass künstliche Intelligenz die Herzinfarktdiagnostik in der Notfallmedizin sinnvoll ergänzen kann. Noch ersetzt das Verfahren jedoch nicht die ärztliche Beurteilung oder die Labordiagnostik. Vielmehr erscheint es als vielversprechende zusätzliche Entscheidungshilfe, die in weiteren Studien prospektiv im klinischen Alltag geprüft werden soll,“ ergänzt Professor Dr. Benjamin Meder, stellv. Ärztlicher Direktor der Klinik für Kardiologie, Angiologie, Pneumologie am Universitätsklinikum Heidelberg und Sprecher der Sektion eCardiology der DGK.

Originalpublikation:
Büscher, A., Plagwitz, L., Yildirim, K., et al. (2025, March 29). Deep learning electrocardiogram model for risk stratification of coronary revascularization need in the ermergency department. European Heart Journal, ehaf254. DOI:10.1093/eurheartj/ehaf254

Quelle: Deutsche Herzstiftung e.V.