Bei einem akuten Koronarsyndrom (ACS) ist eine frühe Risikostratifikation für das weitere Vorgehen von entscheidender Bedeutung. Auf der diesjährigen Jahrestagung der Deutschen Gesellschaft für Kardiologie (DGK) präsentierte Dr. Antonius Büscher aktuelle Ansätze zur KI-gestützten Risikostratifikation beim ACS. Im Mittelpunkt stand dabei die Frage, ob sich aus dem 12-Kanal-EKG zusätzliche Informationen gewinnen lassen, um Patienten zu identifizieren, die von einer frühen invasiven Strategie profitieren könnten.
Risikostratifikation bei ACS bleibt eine Herausforderung
Ausgangspunkt ist ein seit Langem bekanntes Problem der Akutkardiologie. Während die Indikation zur unmittelbaren Koronarangiographie beim ST-Strecken-Hebungs-Myokardinfarkt (STEMI) meist rasch gestellt werden kann, ist die Situation beim akuten Koronarsyndrom ohne ST-Strecken-Hebung (NSTE-ACS) deutlich komplexer.
Das EKG zeigt sich hierbei häufig heterogen und unspezifisch und ist zudem durch eine relevante Interrater Variabilität gekennzeichnet. Dr. Büscher beschreibt das ACS deshalb als klinisches Kontinuum und nicht als starre kategoriale Einteilung. Die entscheidende Frage lautet demnach nicht nur, ob ein ACS vorliegt, sondern auch, wann ein früher invasiver Ansatz sinnvoll ist.
Begrenzte Evidenz für die frühe invasive Strategie
Ein weiterer Schwerpunkt des Vortrags war die begrenzte Aussagekraft bisheriger Studien zur frühen invasiven Strategie bei NSTE-ACS. Bislang liefern Meta-Analysen randomisierter Studien kein klares Bild. Dr. Büscher nannte als Hauptursache die Heterogenität der eingeschlossenen Kollektive. Häufig wurden gemischte NSTE ACS Populationen untersucht, in denen auch Biomarker negative Patienten enthalten waren.
Instabile Hochrisikopatienten wurden hingegen häufig ausgeschlossen. Hinzu kommt, dass Patienten mit okkludierter Culprit-Läsion innerhalb breiter NSTE-ACS-Kollektive diagnostisch nicht ausreichend differenziert werden. Gerade diese Patienten könnten jedoch von einer früheren invasiven Diagnostik und Therapie besonders profitieren.
Potenzial von KI für die klinische Entscheidungsfindung
Vor diesem Hintergrund erscheint KI als potenziell sinnvolle Ergänzung. Dr. Büscher unterschied zwischen Regressionsmodellen, klassischem Machine Learning und Deep Learning. Mit zunehmender Modellkomplexität lassen sich zwar komplexere Muster in den Daten erfassen, zugleich wird jedoch schwerer nachvollziehbar, wie das Modell zu seiner Einschätzung gelangt.
Das Ziel besteht jedoch nicht darin, klinische Entscheidungen zu ersetzen. Vielmehr soll KI zusätzliche Informationen aus klinischen Variablen, hochsensitivem kardialem Troponin T (hs-TnT) und vor allem aus den Rohdaten des 12-Kanal-EKGs ableiten, um das individuelle Risiko präziser einzuordnen.
Grenzen der Übertragbarkeit von KI-Modellen
Dr. Büscher zeigte anhand internationaler Studien zur Erkennung okklusionsbedingter Myokardinfarkte (OMI) sowie von STEMI, dass KI im EKG diagnostisch relevante Muster erkennen kann, die über die klassischen STEMI-Kriterien hinausgehen.
Zugleich machte der Vortrag deutlich, dass die diagnostische Aussagekraft solcher Modelle maßgeblich von der zugrundeliegenden Trainingspopulation abhängt. Modelle, die auf hochselektierten Kollektiven basieren, lassen sich nicht ohne Weiteres auf unselektierte Notaufnahmepopulationen übertragen. Eine der wichtigsten Schlussfolgerungen lautete daher, dass die Trainingsdaten repräsentativ sein und zum geplanten klinischen Einsatz passen müssen.
Validierung eines KI-EKG-Modells in der Notaufnahme
Im Zentrum des Vortrags standen die eigenen, im Jahr 2025 im European Heart Journal publizierten Daten der Arbeitsgruppe aus Münster. Es wurde ein Deep-Learning-basiertes EKG-Modell entwickelt, das den späteren Revaskularisationsbedarf bereits in der Notaufnahme vorhersagen soll.
In den präsentierten Analysen zeigte das Modell sowohl intern als auch extern eine robuste Leistung und ordnete Patienten den Risikoklassen niedrig, intermediär und hoch zu. Hervorgehoben wurde insbesondere, dass das Modell nicht als Konkurrenz zu hs-TnT verstanden werden sollte. Vielmehr zeigten die Daten einen komplementären diagnostischen Wert von KI-EKG und kardialem Troponin.
Komplementäre Rolle von hs-TnT und KI-EKG
Klinisch besonders relevant war in den präsentierten Daten, dass sich hs-TnT weiterhin gut für die Ausschlussdiagnostik eignete, während das EKG-Modell bei Patienten mit höherem Risiko eine höhere Spezifität erreichen konnte. Dadurch könnte die diagnostische Unsicherheit bei Verdacht auf ACS frühzeitig reduziert werden, insbesondere in Situationen, in denen das konventionelle EKG keine eindeutige Befundzuordnung erlaubt.
Weiterer Validierungsbedarf vor klinischer Anwendung
Das Fazit des Vortrags fiel bewusst differenziert aus. KI kann die bestehenden Limitationen der ACS-Diagnostik nicht einfach kompensieren. Sie könnte jedoch dabei helfen, schwer erkennbare Hochrisikopatienten besser zu identifizieren. Dafür sind jedoch repräsentative Datensätze, externe Validierung und prospektive Studien erforderlich, die den zusätzlichen Nutzen, aber auch potenzielle Risiken im Versorgungsalltag prüfen. In der kardiovaskulären Medizin deutet sich KI derzeit damit vor allem als ergänzendes Instrument für eine präzisere Risikostratifikation ab.
