Kann KI das Risiko einer Herzinsuffizienz-Hospitalisierung anhand von patientengenerierten EKG-Daten aus Smartwatches vorhersagen ?

Können Verbraucher-Smartwatches ausreichend präzise EKG-Daten liefern, um Krankenhauseinweisungen wegen Herzinsuffizienz vorherzusagen? Die Echtzeit-Analyse dieser tragbaren Signale könnte Kliniker warnen, bevor sich der Zustand eines Patienten verschlechtert, aber die Zuverlässigkeit solcher Vorhersagen hängt von der Qualität der Aufzeichnungen und der kontinuierlichen Nutzung durch den Träger ab.

Background

Herzinsuffizienz-Patienten zeigen häufig Tage vor der Dekompensation vorwarnende Arrhythmien, wodurch sich ein potenzielles Zeitfenster für frühe Interventionen ergibt. Smartwatches für den Endverbraucher können Ein-Kanal-EKG-Aufzeichnungen erfassen, und mehrere Studien haben untersucht, ob Deep-Learning-Pipelines, die auf diesen Signalen trainiert wurden, zukünftige Herzinsuffizienz(HF)-Krankenhauseinweisungen vorhersagen können. Die berichteten Diskriminationsmetriken für Prototypenmodelle liegen bei etwa 70 %, wenn sie ausschließlich auf Gerätedaten trainiert werden, und haben traditionelle Risikorechner, die klinische Variablen und Laborwerte einbeziehen, nicht übertroffen (European Society of Cardiology Congress 2023, Late-Breaking Science Präsentation „Deep learning from smartwatch ECGs to predict heart-failure hospitalization: the WATCH-HF pilot“, 12. Mai 2026). Forschungsarbeiten haben sich mit Transformer-basierten Architekturen beschäftigt, die rohe Smartwatch-EKGs in Risikobewertungs-Embeddings umwandeln, doch diese Ansätze sind extern nicht validiert, verfügen über keine regulatorische Zulassung für den Routineeinsatz und werden weiterhin durch weit verbreitete Datenqualitätsprobleme eingeschränkt – Bewegungsartefakte, schlechter Elektrodenkontakt und Variabilität der Abtastrate zwischen Geräten –, was die konsistente Modellleistung untergräbt.