Herzdiagnose: KI-Modell ECG-CLIP braucht 91% weniger Trainingsdaten
Veröffentlicht am: 03.09.2026 um 12:18 Uhr | Redaktion boerse-global.de
In der modernen Herzmedizin markiert die Integration von Künstlicher Intelligenz (KI) in die diagnostische Auswertung von Elektrokardiogrammen (EKG) einen signifikanten Entwicklungsschritt. Ein zentrales Beispiel für diesen Fortschritt ist das Modell ECG-CLIP, dessen Entwicklung und Leistungsfähigkeit Gegenstand aktueller wissenschaftlicher Untersuchungen ist.
Durch die Verknüpfung von umfangreichen Datensätzen mit lernfähigen Algorithmen lassen sich mittlerweile präzisere Aussagen über den Gesundheitszustand des Herzens treffen, als dies mit herkömmlichen Methoden möglich war.
Effizienzsteigerung in der diagnostischen Analyse durch ECG-CLIP
Das von Scripps Research entwickelte Modell ECG-CLIP wurde mit einem Datensatz von 1,7 Millionen EKGs trainiert, die von insgesamt 540.000 Personen stammen.
Wie aus einer am 1. September 2026 in der Fachzeitschrift The Lancet Digital Health veröffentlichten Studie hervorgeht, zeichnet sich das System vor allem durch seine hohe Effizienz beim Training aus. Den Untersuchungen zufolge benötigt ECG-CLIP rund 91 Prozent weniger gelabelte Daten als vergleichbare Standardmodelle, um verlässliche Ergebnisse zu liefern.
In der Anwendung zeigt das Modell eine hohe Sensitivität bei der Erkennung verschiedener Herz-Kreislauf-Erkrankungen. Es übertrifft herkömmliche Modelle sowohl bei der Detektion als auch bei der Vorhersage von Vorhofflimmern.
Zudem liefert es Analysen zum 30-Tage-Überleben und identifiziert chronische Leiden wie Nierenerkrankungen oder Diabetes. Besondere Relevanz besitzt das System bei der Diagnose von Herzinfarkten, kardialer Amyloidose und hypertropher Kardiomyopathie, wobei die Erkennung oft bereits auf Basis von nur etwa zehn bestätigten Fällen erfolgt.
Verbesserte Prognosegenauigkeit im klinischen Kontext
KI-Modelle wie ECG-CLIP erkennen seltene Herzerkrankungen oft schon mit wenigen bestätigten Fällen – und sparen bis zu 91% Trainingsdaten. Erfahren Sie, wie Sie diese Effizienz für Ihre EKG-Diagnostik nutzen. Jetzt kostenlosen Leitfaden anfordern
Parallel zu den Entwicklungen in den USA haben Forschungsteams des Berner Inselspitals und der Universität Bern die Genauigkeit von Prognosemodellen weiter optimiert.
Laut Ergebnissen, die ebenfalls Anfang September 2026 in The Lancet Digital Health publiziert wurden, konnten KI-Modelle die Vorhersagegenauigkeit bei Herzkrankheiten um 10 bis 15 Prozent steigern. Diese Daten basieren auf einer Untersuchung von 2.985 Patienten aus Bern und wurden zusätzlich an über 1.000 Patienten in Japan validiert.
Ein weiterer Fokus der Berner Forschung liegt auf der Transthyretin-Amyloidose. In einer in JAMA Cardiology veröffentlichten Studie mit 850 Patienten aus der Schweiz und Wien wurde eine Verbesserung der Prognosegenauigkeit um bis zu 20 Prozent dokumentiert. Die entsprechenden Tools sind bereits online verfügbar, während weiterführende klinische Tests vorbereitet werden.
Beschleunigte Diagnostik und erweiterte Risikobewertung
Ergänzend zu diesen Ansätzen stellte das Imperial College London im Rahmen des ESC-Kongresses 2026 ein System vor, das Herzschwäche mit einer Genauigkeit von 81 Prozent und Klappenerkrankungen zu 90 Prozent identifizieren kann. Bemerkenswert ist hierbei die Verarbeitungsgeschwindigkeit: Die Analyse eines EKGs erfolgt in weniger als zwei Sekunden. Das Training basierte auf 1,6 Millionen EKGs aus Brasilien und den USA.
Die Berner Forschung zeigt: KI verbessert die Prognosegenauigkeit bei Herzkrankheiten um bis zu 20%. Welche Tools sind bereits online verfügbar und wie integrieren Sie sie in Ihren Praxisalltag? Unser Leitfaden gibt Antworten. Praxis-Leitfaden jetzt sichern
Einen weiteren Bereich der KI-gestützten Diagnostik deckt Caristo Diagnostics ab. Mit dem sogenannten FAI-Score kann das Unternehmen koronare Entzündungen auf nativen CT-Aufnahmen sichtbar machen. Dies ermöglicht eine Vorhersage der kardiovaskulären Mortalität selbst bei Patienten, deren Calcium-Score bei null liegt und die keine klassischen Risikofaktoren aufweisen.
Im Rahmen der ORFAN-MAESTRIA-Studie, die über 81.000 Patienten umfasst, wurde zudem das Tool CaRi-Heart präsentiert. Dieses erkennt eine linksatriale Myopathie, die mit einem 17-fach erhöhten Schlaganfallrisiko korreliert – unabhängig vom Vorliegen eines Vorhofflimmerns. Diese Ergebnisse wurden ebenfalls auf dem ESC-Kongress 2026 fachöffentlich diskutiert.
