Die präzise Abschätzung individueller Risiken ist eine zentrale Voraussetzung für die Umsetzung personalisierter Medizin. Bestehende Risikomodelle sind jedoch häufig methodisch veraltet, klinisch schwer anwendbar und in ihrer Genauigkeit begrenzt. Maschinelles Lernen bietet hier neue Möglichkeiten: Es ermöglicht die Verarbeitung grosser, heterogener Datensätze, die Modellierung komplexer nicht-linearer Zusammenhänge sowie die integrierte Analyse multimodaler Datenquellen. Zahlreiche KI-Modelle sind bereits in die klinische Routine integriert und prognostische Anwendungen, etwa bei akuten Koronarsyndromen, gewinnen zunehmend an Relevanz. Die Kardiologie eignet sich aufgrund hoher Patientenzahlen, standardisierter Datenerhebung und gut objektivierbarer Endpunkte wie kaum ein anderes Fachgebiet für den Einsatz solcher Systeme. Trotz dieser vielversprechenden Entwicklungen bleibt eine strenge, kontextbezogene Evidenzbewertung für den klinischen Einsatz unerlässlich.

The precise assessment of individual risks is a vital prerequisite for personalized medicine. However, existing risk models are often methodologically outdated, difficult to apply clinically, and limited in their accuracy. Machine learning offers new possibilities in this area: it enables the processing of large, heterogeneous datasets, the modeling of complex nonlinear relationships, and the integrated analysis of multimodal data sources. Numerous AI models are already integrated into routine clinical practice, and prognostic applications, such as those for acute coronary syndromes, are becoming increasingly relevant. Due to high patient numbers, standardized data collection, and easily objectifiable endpoints, cardiology is uniquely suited for the use of such systems. Despite these significant opportunities, critical evaluation of evidence within the respective application context remains essential.
Keywords: Künstliche Intelligenz, Kardiologie, Risikoprädiktion, Digitaler Zwilling

Die digitale (R)Evolution

Die Digitalisierung transformiert nahezu jeden Aspekt der modernen Gesellschaft. Kaum ein Bereich bleibt von dieser Entwicklung unberührt. Künstliche Intelligenz ist aus Wirtschaft, Kommunikation, Wissenschaft und Politik bereits heute nicht mehr wegzudenken. KI steuert Drohnen, optimiert Produktionsanlagen, navigiert autonome Fahrzeuge und steuert die Algorithmen sozialer Medien. Nun erreicht diese Technologie auch die medizinische Praxis. Dies eröffnet neue Formen der Entscheidungsunterstützung und stellt zugleich grundlegende Fragen zur Rolle des Menschen im medizinischen Entscheidungsprozess.

Risikoabschätzung zur personalisierten Behandlung

Medizinische Interventionen unterscheiden sich in ihrer Wirksamkeit und können mit Nebenwirkungen und erheblichen Kosten einhergehen. Eine Intervention, etwa eine Lipid-senkende Therapie, entfaltet ihren grössten Nutzen dort, wo das individuelle Risiko am höchsten ist, beispielsweise das Risiko für einen Herzinfarkt bei unkontrollierter Dyslipidämie. Dies ist in der Regel mit einem günstigeren Nutzen-Nebenwirkungs- und Kosten-Nutzen-Verhältnis verbunden. Demgegenüber führt eine erhöhte Wahrscheinlichkeit therapiebedingte, unerwünschter Ereignisse, beispielsweise einer schweren Blutung unter dualer Plättchenhemmung, zu einem ungünstigeren Nutzen-Nebenwirkungs-Verhältnis. Je präziser das Risiko individuell abgeschätzt werden kann, desto gezielter, und damit wirksamer und sicherer, lässt sich behandeln. Eine valide, individualisierte Risikoabschätzung ist daher eine klinische Notwendigkeit.

Chancen für moderne Risikovorhersage

Klassisch Methoden zur Risikostratifizierung stossen an ihre Grenzen, insbesondere wenn komplexe Zusammenhänge und multimodale Datenquellen berücksichtigt werden sollen. Bestehende Risikomodelle («Scores») sind oft eingeschränkt verfügbar, klinisch schwer anwendbar, oder weisen eine unzureichende Genauigkeit auf. Viele der derzeit etablierten Modelle wurden in kleinen Populationen oder unter veralteten Behandlungsstandards entwickelt und haben dadurch an Validität verloren, da sich Patientencharakteristika, diagnostische Methoden und Therapien im Zeitverlauf verändert haben (1). Parallel dazu erweitert sich das Verständnis von Risiko zunehmend in Richtung systemischer und interdisziplinärer Einflussgrössen. So gewinnen neben klassischen Risikofaktoren auch nicht-traditionelle Determinanten, wie Entzündungsprozesse (2), Schlafstörungen, atherogene Darmmetabolite (3), Luftverschmutzung und andere Umweltfaktoren an prognostischer Bedeutung.

Digitale Zwillinge

Ein weiterer zukunftsweisender Ansatz ist der «Digitale Zwilling», der als kontinuierlich aktualisiertes patientenspezifisches Simulationssystem verstanden werden kann (4). Dabei werden unterschiedliche Datenströme – von Bildgebung, Genomik, bis hin zu Umweltdaten und Wearable-Daten – in einer dynamischen Repräsentation zusammengeführt. Das Ziel ist die Exploration möglicher Krankheitsverläufe unter variierenden Bedingungen (Abb. 1) In der Kardiologie kommen solche Modelle bereits bei der Planung elektrophysiologischer Eingriffe, der Optimierung kardialer Resynchronisationstherapie und der Vorhersage ventrikulärer Arrhythmien zum Einsatz (5).

Stärken und Mehrwert von KI-Systemen

Maschinelle Lernverfahren sind in der Lage sowohl strukturierte als auch unstrukturierte Daten zu verarbeiten und dabei komplexe, hochdimensionaler Musterstrukturen und nicht-lineare Zusammenhänge effizient zu erfassen. Dabei können grosse ­multimodale Informationsquellen, etwa Freitextbefunde, EKG-Rohdaten und Bilddaten, simultan verarbeitet werden (6). In bestimmten Anwendungen können KI-Systeme diskrete, für den Menschen nicht wahrnehmbare Muster erkennen, etwa aus EKG-Signalen oder bildgebenden Verfahren. Durch integrierte Analyse multimodaler Datenquellen, einschliesslich Text-, Audio- und Bildinformationen (Abb. 2) ermöglicht maschinelles Lernen Vorhersagen, die individueller, umfassender und potenziell präziser sind als jene, die klassische Scoremodelle treffen können.

Datenquellen

Die medizinische Datenlandschaft ist von kontinuierlicher sowie kontextabhängiger Datenerhebung geprägt. Neben einer Vielzahl klassischer klinischer Patienteninformationen entstehen laufend digitale Spuren physiologischer Prozesse und persönlicher Verhaltensmuster. KI-Systeme sind in der Lage, sowohl strukturierte als auch unstrukturierte Daten zu verarbeiten, die einmalig erhoben oder fortlaufend erfasst werden können. Je nach klinischer Fragestellung umfasst dies unter anderem Anamnesetexte, klinische Befunde, molekularbiologische Laborergebnisse, Bilddaten aus Radiologie und Histopathologie, Gesichtsbilder, EKG-Rohsignale, Sauerstoffsättigung, Atemfrequenz, Schrittzahl, Gangmuster und -geschwindigkeit, Sprachaufzeichnungen, Schlafparameter und Umgebungstemperatur. Viele dieser Informationen sind entweder mit geringem Aufwand erhebbar oder entstehen im Rahmen der routinemässigen medizinischen Versorgung. Die Herausforderung in der Nutzung dieser Daten liegt dabei in ihrer sinnvollen Verknüpfung sowie der klinisch relevanten Interpretation im jeweiligen Kontext.

Anwendungsbeispiele

Eine Vielzahl von KI-Modellen, insbesondere im Bereich bildgebender Verfahren ist bereits in die klinische Routine integriert. Neben diagnostischen Anwendungen rücken zunehmend auch prognostische Modelle in den Vordergrund. Basierend auf Koronar-CT-Daten kann so das Risiko für die Entwicklung von Herzinsuffizienz (7) sowie die kardiale Mortalität (8) vorhersagen. Bemerkenswert ist zudem, dass sich kardiovaskuläre Risiken auch aus Untersuchungen ableiten lassen, die nicht primär kardiale Fragestellungen adressieren, etwa aus Schädel-CTs (9), Mammographien (10), Aufnahmen des Augenhintergrunds (11), oder Gesichtsfotografien (12). Weiters ist es möglich, Herzinsuffizienz, deren akute Dekompensation sowie Vorhofflimmern anhand von Stimmaufzeichnung (12, 13) oder EKG-Daten zu erkennen. Individualisierte Risikoabschätzung ist auch in der Behandlung akuter Koronarsyndrome von zentraler Bedeutung und wird zunehmend durch KI-basierte Tools unterstützt, etwa durch den GRACE 3.0 Score (14-16) für Patienten und Patientinnen ohne ST-Hebung sowie dem ONCO-ACS Score (17) für Patienten und Patientinnen mit onkologischer Begleiterkrankung (Abb. 3).

KI-basierte Therapieansätze

Künstliche Intelligenz wird zunehmend auch zum therapeutischen Instrument. Moderne Herzschrittmacher und implantierbare Kardioverter-Defibrillatoren integrieren Algorithmen, die Rhythmusstörungen in Echtzeit erkennen und auf individuelle Patientenmuster adaptieren. In der interventionellen Kardiologie ermöglichen neue Systeme präzise Katheternavigation und hohe Reproduzierbarkeit von Routineeingriffen. Darüber hinaus zeichnet sich eine neue Dimension der Therapiebegleitung ab: KI-basierte Avatare auf dem Mobiltelefon fungieren als personalisierte Gesundheitscoaches, die Medikamentenadhärenz, Lebensstilanpassungen und Nachsorgeprozesse individuell steuern. Damit können Patienten und Patientinnen auch ausserhalb der ärztlichen Konsultation kontinuierlich begleitet und unterstützt werden.

Perspektive

Die Entwicklung künstlicher Intelligenz folgt einer nicht-linearen Dynamik, deren Auswirkungen kurzfristig oft überschätzt und langfristig unterschätzt werden (18). Charakteristisch für aktuelle KI-Systeme ist ihre Fähigkeit, nicht nur bestehende Entscheidungslogiken zu reproduzieren, sondern in begrenztem Rahmen neue Lösungshypothesen zu generieren (19). In Kombination mit Fortschritten der molekularen Medizin und biotechnologischen Plattformen (20), entsteht dadurch eine zunehmende Konvergenz datengetriebener und biologischer Innovationspfade. Ärzte und Ärztinnen in der klinischen Praxis werden künftig zunehmend mit KI-Systemen konfrontiert sein und benötigen daher ein solides Verständnis ihrer ­Potentiale,

Anwendungsbereiche und Grenzen. Um diesen Anforderungen gerecht zu werden, wurde vom ESC Digital and AI Committee ein AI-Curriculum entwickelt, das eine strukturierte und praxisnahe Weiterbildung im Umgang mit KI ermöglicht.

Konklusion

KI-Systeme haben besonders in der Kardiologie das Potenzial diagnostische und prognostischer Prozesse zu unterstützen. Trotz grosser Hoffnung auf gezieltere Prävention und Behandlung ist Evidenz für die Zuverlässigkeit und Nützlichkeit im speziellen Anwendungsfall unerlässlich. Die erfolgreiche klinische Anwendung von KI erfordert dabei nicht nur technologische Integration, sondern auch kritische medizinische Urteilskraft.

Copyright
Aerzteverlag medinfo AG