📄 cardiovascular medicine

Leveraging the wearable 1-lead ECG signal: From cardiac rhythm to cardiac function assessment

Diese Studie zeigt, dass erklärbare Deep-Learning-Modelle die linksventrikuläre Funktion aus tragbaren 1-Kanal-EKGs präzise vorhersagen können, wobei die Leistung nahezu der von 12-Kanal-EKGs entspricht, wodurch dadurch breitere klinische Anwendungen und eine verbesserte Patientenautonomie in entlegenen oder ressourcenarmen Umgebungen ermöglicht werden.

Ursprüngliche Autoren: van der Valk, V. O., Atsma, D., Scherptong, R., Staring, M.

Veröffentlicht 2026-02-07

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: van der Valk, V. O., Atsma, D., Scherptong, R., Staring, M.

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen

Die Kernidee: Von „Herzschlag“ zu „Herzgesundheit“

Stellen Sie sich vor, Ihr Herz sei ein Haus. Lange Zeit haben Ärzte ein 12-Kanal-EKG wie ein hochmodernes Sicherheitssystem verwendet, bei dem 12 verschiedene Kameras rund um das Haus platziert sind. Dies gibt ihnen eine vollständige 360-Grad-Sicht auf alles, was im Inneren des Hauses geschieht, sodass sie selbst kleinste strukturelle Probleme erkennen können. Sie können dieses System jedoch nur nutzen, wenn Sie ins Krankenhaus gehen, und es erfordert einen Techniker für die Einrichtung.

Auf der anderen Seite haben wir heute Smartwatches, die wie eine einzige, winzige Sicherheitskamera funktionieren, die Sie am Handgelenk tragen. Sie ist großartig, um den „Rhythmus“ des Hauses zu beobachten (öffnet und schließt sich die Tür mit der richtigen Geschwindigkeit?), aber weil sie nur eine Linse hat, galt sie bisher als ungeeignet, um die strukturelle Integrität des Hauses zu prüfen (wie etwa eine schwache Wand oder ein beschädigtes Fundament).

Diese Studie stellte eine einfache Frage: Kann diese einzelne, winzige Kamera am Handgelenk uns tatsächlich sagen, ob das „Fundament“ des Herzens (die linksventrikuläre Funktion) beschädigt ist, oder ist sie nur gut darin, die Schläge zu zählen?

Wie sie es gemacht haben: Der „Zeitreise“-Vergleich

Die Forscher untersuchten Patienten, die kürzlich einen Herzinfarkt erlitten hatten (ein schwerwiegendes Ereignis, das die „Wände“ des Herzens beschädigt). Sie sammelten zwei Arten von Daten von denselben Patienten:

Die Krankenhaus-Ansicht: Ein Standard-12-Kanal-EKG, das während des Krankenhausaufenthalts des Patienten aufgenommen wurde.
Die Heim-Ansicht: Ein 1-Kanal-EKG, das der Patient zu Hause mit einer Smartwatch (speziell einer Withings-Watch) aufgezeichnet hat.

Sie kombinierten diese Aufzeichnungen so, dass sie dieselbe Person und etwa denselben Zeitpunkt betrachteten. Dann fütterten sie diese Daten in eine spezielle Art von Computergehirn (Deep Learning), das darauf ausgelegt ist, „erklärbar“ zu sein.

Der „erklärbare“ Teil:
Normalerweise ist KI eine „Black Box“ – sie liefert eine Antwort, aber man weiß nicht, warum. Diese Studie verwendete eine spezielle KI, die wie ein holografischer Simulator arbeitet. Sie kann einen einzelnen Herzschlag nehmen und sagen: „Wenn wir diesen Teil der Welle so verändern, dass sie wie ein gesundes Herz aussieht, sähe sie so aus. Wenn wir sie so verändern, dass sie wie ein geschädigtes Herz aussieht, sähe diese Version so aus.“ Dies ermöglicht es Ärzten, genau zu sehen, an welchen Teilen des Signals die KI ihre Entscheidung festmacht.

Die Ergebnisse: Die einzelne Kamera ist überraschend gut

Die Forscher trainierten die KI darauf, vorherzusagen, ob die Pumpleistung des Herzens normal, leicht geschädigt, mäßig geschädigt oder schwer geschädigt war.

Der Goldstandard: Das 12-Kanal-EKG im Krankenhaus war, wie erwartet, am besten. Es erreichte einen Wert (AUC) von 0,897.
Die Smartwatch: Das 1-Kanal-EKG der Smartwatch erreichte einen Wert von 0,883.

Das Fazit: Die Smartwatch war fast so gut wie das voll ausgestattete Krankenhausgerät! Sie erfasste fast alle notwendigen Informationen über die strukturelle Gesundheit des Herzens, selbst mit nur einer einzigen „Kamera“.

Das Geheimrezept: Aggregation (Der „Crowd-Wisdom“-Effekt)

Ein interessanter Befund betraf die Art und Weise, wie die Daten verarbeitet wurden.

Ein Krankenhaus-EKG ist kurz (10 Sekunden).
Eine Smartwatch-Aufzeichnung ist länger (30 Sekunden).

Da die Smartwatch-Aufzeichnung länger ist, enthält sie viel mehr Herzschläge. Die Studie fand heraus, dass die Genauigkeit der Smartwatch signifikant stieg, wenn man die KI alle diese Herzschläge betrachten und einen Durchschnitt bilden ließ (so als würde man die Meinung einer Menschenmenge einholen, anstatt nur die einer einzelnen Person). Es ist, als würde man einem Chor zuhören: Eine einzelne Stimme mag vielleicht wackelig sein, aber die ganze Gruppe, die gemeinsam singt, erzeugt ein klares, starkes Signal.

Was die KI tatsächlich „sah“

Als die Forscher den „Erklärungs“-Teil der KI untersuchten, sahen sie etwas Faszinierendes:

Das 12-Kanal-Modell betrachtete viele verschiedene Winkel (wie die Überprüfung der Vorderseite, Rückseite und Seiten eines Hauses).
Das 1-Kanal-Modell konzentrierte sich in seiner einzigen Sicht auf spezifische Merkmale, wie die Höhe des „R-Peaks“ (der hohe Ausschlag im Herzschlag) und die Form der „T-Welle“ (die Welle, die auf den Ausschlag folgt).

Die Studie ergab, dass sich selbst in dieser einen Perspektive diese spezifischen Formen so veränderten, dass sie klar signalisierten, ob der Herzmuskel geschädigt war.

Das Resümee

Dieses Paper beweist, dass ein einfaches, tragbares Smartwatch-EKG nicht nur dazu dient, zu prüfen, ob das Herz Aussetzer hat. Mit der richtigen KI kann es auch sehr genau abschätzen, wie gut das Herz nach einem Infarkt pumpt.

Es ersetzt zwar nicht den vollständigen Test im Krankenhaus, fungiert aber als leistungsstarkes, zugängliches „Frühwarnsystem“, das Patienten zu Hause nutzen können. Die Studie zeigte auch, dass wir durch die „Erklärbarkeit“ der KI verstehen können, warum sie glaubt, dass das Herz geschädigt ist, was hilft, das Vertrauen in diese neuen Werkzeuge zu stärken.

Technische Zusammenfassung: Nutzung von tragbaren 1-Kanal-EKGs zur Beurteilung der Herzfunktion

Problemstellung
Herz-Kreislauf-Erkrankungen sind nach wie vor die führende Ursache für die globale Mortalität, was den Bedarf an zugänglichen diagnostischen Werkzeugen unterstreicht. Während das 12-Kanal-Elektrokardiogramm (EKG) der klinische Goldstandard zur Beurteilung der elektrischen Herzaktivität und struktureller Anomalien ist, ist sein Nutzen aufgrund von Geräte- und Personalanforderungen auf klinische Umgebungen beschränkt. Im Gegensatz dazu bieten tragbare 1-Kanal-EKGs (z. B. Smartwatches) Portabilität und ermöglichen eine Fernüberwachung, wurden jedoch historisch primär für die Rhythmusanalyse (wie etwa die Detektion von Vorhofflimmern) optimiert, statt für die strukturelle oder funktionelle Beurteilung. Obwohl jüngste Studien darauf hindeuten, dass 1-Kanal-EKGs eine linksventrikuläre Dysfunktion (LVD) erkennen können, mangelt es an direkten Head-to-Head-Vergleichen zwischen handgelenkbasierten 1-Kanal-EKGs und Standard-12-Kanal-EKGs, die bei denselben Patienten erhoben wurden, insbesondere innerhalb der Post-Myokardinfarkt-Population (MI). Darüber hinaus bleibt die Anwendung erklärbarer KI zur Interpretation, wie 1-Kanal-Signale mit der linksventrikulären Funktion (LVF) in dieser spezifischen Kohorte korrelieren, weitgehend unerforscht.

Methodik
Die Studie nutzte eine gematchte Kohorte von Patienten, die wegen eines akuten Koronarsyndroms behandelt wurden (Leiden University Medical Center, 2018–2023). Der Datensatz bestand aus:

1-Kanal-EKGs: 63.950 Rohsignale mit einer Dauer von 30 Sekunden, die zu Hause mit Withings ECG Smartwatches (300 Hz) aufgezeichnet wurden, von 708 Patienten.
12-Kanal-EKGs: 77.005 Rohsignale mit einer Dauer von 10 Sekunden, die im Krankenhaus (500 Hz) aufgezeichnet wurden, von 6.703 Patienten.

Datenvorverarbeitung und Labeling:
Die Signale wurden in einzelne Herzschläge segmentiert (800 ms Intervalle zentriert auf den R-Peak). Die R-Peak-Detektion erfolgte mittels eines U-Net-basierten CNN. Um Probleme der Datenqualität zu adressieren, die bei Heimaufzeichnungen inhärent sind (z. B. Fehler bei der Geräteorientierung, Nicht-Ruhezustand), wurde ein Autokorrelations-basierter Filter angewendet, um minderwertige 1-Kanal-Signale auszuschließen. Die LVF-Labels wurden aus Echokardiographie-Berichten abgeleitet, die innerhalb von sieben Tagen nach der EKG-Aufzeichnung erstellt wurden, und mittels eines Large Language Models (LLM) in vier ordinale Kategorien klassifiziert (normal, leichte, moderate, schwere Beeinträchtigung).

Modellarchitektur:
Die Studie verwendete einen partiellen $\beta$ -Variational Autoencoder (VAE) mit sieben rekurrenten konvolutionalen Blöcken sowohl im Encoder als auch im Decoder. Die Architektur wurde darauf ausgelegt, die latenten Repräsentationen in eine nicht-lineare Signalkomponente ( $z_{nls}$ ) und eine lineare Signalkomponente ( $z_{ls}$ ) zu trennen, die direkt mit der LVF-Vorhersage verknüpft ist. Vier verschiedene Modellkonfigurationen wurden trainiert und evaluiert:

12-Kanal-Modell: Trainiert auf vollständigen 12-Kanal-EKGs.
Ableitung I Modell: Trainiert auf Ableitung I, die aus den 12-Kanal-EKGs extrahiert wurde.
Pretrained 1-Kanal-Modell: Vortrainiert auf Ableitung I der 12-Kanal-EKGs, anschließend feinjustiert auf den tragbaren 1-Kanal-EKGs.
1-Kanal-Modell: Ausschließlich auf den tragbaren 1-Kanal-EKGs trainiert.

Für 1-Kanal-Inputs wurde der einzelne Kanal entlang der Ableitungsdimension dupliziert, um die erwartete Eingangsform des Modells ( $12 \times 400$ ) zu erfüllen.

Interpretierbarkeit:
Um Transparenz zu gewährleisten, nutzte die Studie die Attributmanipulation. Durch die Manipulation des $z_{ls}$ -Latentvektors, um hypothetische LVF-Zustände (von schwerer Beeinträchtigung bis normal) darzustellen, rekonstruierte das Modell hypothetische EKG-Wellenformen. Dies ermöglichte die Visualisierung spezifischer morphologischer Veränderungen (z. B. R-Peak-Amplitude, T-Wellen-Fläche), die mit verschiedenen Graden der LVF-Beeinträchtigung assoziiert sind.

Hauptergebnisse

Prädiktive Leistung: Das vollständige 12-Kanal-Modell erreichte die höchste Leistung (AUC = 0,897). Das tragbare 1-Kanal-Modell erreichte eine AUC von 0,863, während das vortrainierte 1-Kanal-Modell eine AUC von 0,883 erreichte. Diese Ergebnisse zeigen, dass 1-Kanal-EKGs die LVF mit einer Genauigkeit vorhersagen können, die nahezu der von 12-Kanal-EKGs entspricht.
Sensitivitäts-/Spezifitäts-Trade-offs: Bei einer Sensitivität von 0,90 betrugen die Spezifitäten 0,64 für das 12-Kanal-Modell, 0,71 für das vortrainierte 1-Kanal-Modell und 0,65 für das Standard-1-Kanal-Modell.
Vorteile der Aggregation: Die Vorhersagen auf Herzschlag-Ebene wurden durch Mittelung innerhalb jedes Signals aggregiert. Diese temporale Aggregation verbesserte die Leistung der 1-Kanal-Modelle signifikant, was darauf hindeutet, dass die Rauschunterdrückung und die Verfügbarkeit von mehr Herzschlägen in längeren 30-Sekunden-Aufzeichnungen die reduzierte räumliche Auflösung kompensieren.
Konsistenz: Alle Modelle zeigten hohe Herzschlag-Konsistenzwerte (HBC > 0,95 für die meisten), was auf eine robuste intra-Aufzeichnungs-Stabilität hindeutet.
Erkenntnisse zur Interpretierbarkeit: Die Attributmanipulation zeigte, dass das 12-Kanal-Modell eine Vielzahl von Merkmalen über mehrere Ableitungen hinweg nutzt (z. B. gekerbte R-Peaks in spezifischen Ableitungen). Im Gegensatz dazu stützten sich die 1-Kanal-Modelle auf Merkmale, die der Ableitung I ähneln (z. B. R-Peak-Amplitude, T-Wellen-Morphologie), was bestätigt, dass 1-Kanal-Modelle zwar globale Anomalien erfassen, aber nicht die räumliche Diversität von Mehrkanal-Systemen besitzen.

Bedeutung und Ansprüche
Das Paper behauptet, dass tragbare 1-Kanal-EKGs, kombiniert mit erklärbarer Deep Learning, die Fähigkeit besitzen, über die Rhythmusanalyse hinauszugehen, um die strukturelle Herzfunktion zu bewerten, speziell die linksventrikuläre Funktion bei Post-MI-Patienten. Die Studie zeigt:

Klinische Lebensfähigkeit: 1-Kanal-EKGs können klinisch bedeutsame Erkenntnisse über die LVF liefern und erreichen eine Leistung, die vergleichbar mit 12-Kanal-EKGs ist, insbesondere wenn die Vorhersagen über die Zeit aggregiert werden.
Erklärbarkeit als Enabler: Die Verwendung von erklärbarer KI (Attributmanipulation) bietet eine transparente Sicht auf die Modelllogik und hebt spezifische Wellenformkomponenten (wie die T-Wellen-Morphologie) hervor, die die Vorhersagen treiben. Diese Transparenz ist entscheidend für die Skalierung dieser Werkzeuge in ressourcenarmen Gebieten oder in der häuslichen Pflege, in denen kardiologische Expertise fehlen kann.
Strategische Anwendung: Während 1-Kaller-EKGs nicht dazu bestimmt sind, 12-Kanal-EKGs zu ersetzen, dienen sie als praktisches, skalierbares Werkzeug für das Screening und die longitudinale Überwachung und können potenziell als Frühwarnsystem fungieren, um Patienten für eine weitere Untersuchung zu markieren.

Die Autoren wahren eine bescheidene Haltung und räumen ein, dass 1-Kanal-Modelle eine Leistungslücke gegenüber 12-Kanal-Modellen aufweisen und dass ihre Effektivität je nach Ort des Myokardinfarkts (z. B. globale vs. regionale Anomalien) variieren kann. Sie betonen, dass zukünftige Arbeiten erforderlich sind, um diese Ergebnisse in breiteren klinischen Subtypen zu validieren und die Datenqualitätskontrolle für Heimaufzeichnungen zu verfeinern.