KI-Assistenten für EKG-Analyse über Mobiltelefon-Kamera
Es gibt derzeit keine validierten KI-Produkte, die EKG-Analysen direkt über die Mobiltelefon-Kamera durchführen – stattdessen nutzen verfügbare Systeme entweder EKG-basierte Smartwatch-Sensoren (Apple Watch, KardiaMobile) oder Photoplethysmographie (PPG)-Technologie, wobei EKG-basierte Geräte mit positiven Vorhersagewerten von 84-99% deutlich zuverlässiger sind als kamerabasierte PPG-Systeme. 1, 2
Verfügbare Technologien und ihre Funktionsweise
EKG-basierte Smartwatch-Systeme (Goldstandard)
Apple Watch und KardiaMobile (AliveCor) sind die zuverlässigsten verfügbaren Consumer-Geräte mit hoher diagnostischer Genauigkeit für Vorhofflimmern-Erkennung und haben FDA-Zulassung für Rhythmusklassifikation erhalten. 1, 3
Die Apple Watch zeichnet ein Pseudo-Lead-I-EKG zwischen einem Finger auf der Krone und der Uhrbasis auf, was eine hohe Genauigkeit ermöglicht. 1
Diese Geräte verwenden KI-Algorithmen, die mit tiefen neuronalen Netzwerken trainiert wurden und eine Sensitivität von 86,3% und Spezifität von 85,7% für die Erkennung von linksventrikulärer Dysfunktion erreichen. 4
Kamerabasierte PPG-Technologie (eingeschränkte Genauigkeit)
PPG-Systeme, die theoretisch über Smartphone-Kameras funktionieren könnten, zeigen deutlich niedrigere Genauigkeit mit Sensitivität von 58-85% und Spezifität von 69-79% in Studien mit risikoarmen Personen. 2
Die FibriCheck-App nutzt PPG über die iPhone-Kamera und erreichte in einer Primärversorgungsstudie eine Sensitivität von 96% und Spezifität von 97% für Vorhofflimmern-Erkennung, allerdings war die Signalqualität nur bei 93% der Teilnehmer ausreichend. 5
PPG-Technologie ist anfälliger für Bewegungsartefakte und die Genauigkeit kann durch Faktoren wie Tätowierungen und dunklere Hauttöne beeinträchtigt werden. 1, 2
Klinische Anwendungsmöglichkeiten der KI-EKG-Analyse
Erweiterte Diagnostik über Rhythmuserkennung hinaus
KI-Algorithmen können aus dem EKG okkulte strukturelle Herzerkrankungen 1-2 Jahre früher erkennen als traditionelle Tests, einschließlich linksventrikulärer Dysfunktion, hypertropher Kardiomyopathie, Amyloidose, Aortenstenose und pulmonaler Hypertonie. 4
In einer prospektiven Studie mit über 20.000 Patienten in der Primärversorgung verbesserte KI-gestützte EKG-Analyse die Erstdetektion ventrikulärer Dysfunktion um 32% gegenüber der Standardversorgung (AUC=0,92). 4
KI kann stilles Vorhofflimmern aus Sinusrhythmus-EKGs vorhersagen mit einer AUC von 0,87 bei 36.280 Patienten. 4
Praktische Einschränkungen
Kontinuierliche Überwachung ist bei aktuellen tragbaren Smartwatches nicht verfügbar, was die Erkennung kurzer oder katastrophaler Arrhythmie-Ereignisse limitiert. 1, 2
Die WATCH-AF-Studie zeigte, dass PPG-Algorithmen durch eine hohe Fehlerrate aufgrund schlechter Signalqualität eingeschränkt sein können. 1, 2
Klinische Empfehlungen für die Praxis
Strukturierter Ansatz zur Vorhofflimmern-Erkennung
Bei Verdacht auf Vorhofflimmern sollte zunächst ein 12-Kanal-EKG als erster Schritt zur Diagnosestellung durchgeführt werden, nicht eine Smartwatch-Messung. 2
Smartwatch-Erkennung von Vorhofflimmern sollte Teil eines strukturierten Screening-Programms sein und immer von einem Arzt mit konventionellem EKG bestätigt werden. 2
Bei Patienten mit kryptogenem Schlaganfall kann die Implantation eines Herzmonitors (Loop-Recorder) sinnvoll sein, um die Erkennung von stillem Vorhofflimmern zu optimieren. 2
Geräteauswahl
Für die höchste Zuverlässigkeit werden EKG-basierte Geräte wie Apple Watch oder KardiaMobile empfohlen aufgrund ihrer hohen diagnostischen Genauigkeit und positiven Vorhersagewerte von 84-99%. 1, 2
Kamerabasierte PPG-Systeme sollten nur als Screening-Tool in strukturierten Programmen verwendet werden, nicht als diagnostisches Instrument. 2, 5
Wichtige Einschränkungen und Fallstricke
Technologische Limitationen
KI-Modelle können Bias einführen, wenn sie auf Populationen außerhalb der Trainingsdaten angewendet werden, was ärztliche Überwachung zur Sicherstellung angemessener Anwendung erfordert. 6
Die meisten Studien sind Proof-of-Concept-Studien mit institutionseigenen Daten unklarer Qualität, und klinische Validierung in anderen Kollektiven ist selten. 7
Der "Black-Box-Charakter" der KI bedeutet, dass die Art und Weise, wie KI eine Lösung findet, meist vor Menschen verborgen bleibt. 7
Klinische Implementierung
KI kann die klinische Arbeit von Ärzten derzeit nicht vollständig ersetzen, da klinische Medizin inhärente Unsicherheit beinhaltet und viele Fälle nicht in Kategorien fallen, die von KI-Algorithmen vorhergesagt werden können. 6
Falsch-positive Ergebnisse bei PPG-Systemen sind hauptsächlich auf vorzeitige ektopische Schläge zurückzuführen. 5
Systematische Verzerrungen durch unausgewogene Datensätze (Alter, Geschlecht, Rasse) können die Modellleistung beeinträchtigen. 8