Mit Sensorik gegen Herzerkrankungen
Diagnostik fürs Herz: KI wertet Medizinsensoren aus
Sensoren sind das Herz der vernetzten Versorgung, Künstliche Intelligenz hilft medizinische Daten effizient auszuwerten. Das Fraunhofer IZM entwickelte ein Sensorsystem zur Diagnose von Herz-Kreislauf-Erkrankungen, dass mit Einbindung von KI zu einem hilfreichen Werkzeug in der Kardiologie wird.
Herz-Kreislauf-Erkrankungen wie Bluthochdruck, Herzschwäche und Herzrhythmusstörungen zählen zu den häufigsten Ursachen für Todesfälle weltweit. Und aus diesem Grund sind sie auch vergleichsweise gut erforscht und erkennbar. Trotzdem gab es für die KI-gestützte Diagnostik bisher ein grundlegendes, strukturelles Problem.
Henne-Ei-Herz: Das Problem der KI-Diagnostik
Es gab bisher kein Gerät, das die Messung aller relevanten Parameter gleichzeitig gewährleistete, weshalb auch keine spezifisch auf kardiologische Parameter trainierten KI-Modelle existierten – und ohne solche Modelle war wiederum kein vollständiges Diagnosesystem möglich. Ein am Fraunhofer IZM entwickelte Sensor-Wearable soll dieses Henne-Ei-Herz-Problem nun auflösen. Dazu werden die gesammelten Daten über einen ins System integrierten Edge-PC an die Cloud übertragen und dort KI-gestützt ausgewertet.
Von 240 Parametern zur Diagnose
Aus den Messungen der verbauten Sensoren lassen sich etwa 240 kardiologisch relevante Parameter ableiten; zusätzlich können Messergebnisse externer Geräte wie von Ultraschallgeräten eingespeist werden. Zur Optimierung der Zuverlässigkeit durchlaufen die Daten zunächst klassische Signalverarbeitungsverfahren und werden anschließend durch trainierte KI-Modelle validiert. Im nächsten Schritt werten neuronale Netze die Morphologie der Datenkurven aus – etwa die Form der EKG-Linie – um Auffälligkeiten zu erkennen; eine Aufgabe, die in der klinischen Praxis bislang zeitaufwendig händisch erfolgt, obwohl Studien wiederholt gezeigt haben, dass spezialisierte KIs hier genauer arbeiten können als erfahrenes medizinisches Fachpersonal.
LLMs für Anamnese und Befundaufbereitung
Ergänzend fließen Erkenntnisse aus der Anamnese ein, etwa zur familiären Krankheitsgeschichte oder zum tagesaktuellen Befinden. Speziell auf medizinische Themen abgestimmte Large Language Models ermöglichen detaillierte, per Text- oder Spracheingabe beantwortbare Befragungen entlang kardiologischer Leitlinien, die sich zur Langzeitbeobachtung täglich wiederholen lassen. Auch bei der Aufbereitung der Untersuchungsergebnisse kommen LLMs zum Einsatz: Je nach Zielgruppe – Fachpersonal oder Patient – geben sie Auffälligkeiten, Risikofaktoren und Diagnosevorschläge in jeweils verständlicher Sprache aus. Im Hintergrund arbeiten dafür mehrere medizinische LLMs, darunter Googles MedGemini, deren Ergebnisse ein übergeordneter KI-Agent abgleicht und auf Widersprüche prüft.
Wearable für die Versorgungspraxis
Eine solche Unterstützung von Standardprozessen könnte die fachärztliche Versorgung künftig effizienter organisieren: Hausärztinnen und Hausärzte erhielten Hilfe bei der Früherkennung von Symptomen und Risiken sowie bei einer passgenauen Überweisung, während Fachärztinnen auf ein umfangreicheres Datenset zugreifen und Unterstützung bei Auswertung und Interpretation erhalten könnten. F
ür Patientinnen und Patienten mit einer Herz-Kreislauf-Erkrankung könnte das Fraunhofer-System zudem bei der tagesformabhängigen Einstellung der richtigen Medikamentendosis helfen. Ein Einsatz ähnlicher Systeme über die Kardiologie hinaus, etwa in der Lungenmedizin, ist laut Fraunhofer IZM perspektivisch ebenfalls denkbar. (uh)
