LONDON (IT BOLTWISE) – Forscher haben ein KI-Modell entwickelt, das nächtliche Elektrokardiogramme aus der Polysomnographie mit nur einer EKG-Elektrode am Brustkorb auswertet. Die Arbeit, veröffentlicht im Journal SLEEP am 9. Oktober 2026, soll kardiovaskuläre Risiken wie Herzinsuffizienz bis zu zehn Jahre im Voraus markieren. Besonders aussagekräftig ist der Leichtschlaf direkt nach dem Einschlafen, in dem sich die autonome Umstellung des Körpers widerspiegelt. Für den Mehrwert gegenüber klassischen Risikomodellen werden zusätzliche Vorhersagegewinne von bis zu 8 bis 9 Prozent beschrieben.
Der Ansatz wirkt zunächst unaufgeregt: Aus einer einzelnen EKG-Elektrode am Brustkorb sollen sich Informationen gewinnen lassen, die über den Zeitraum einer Nacht hinausreichen. Genau darauf zielt die von Wissenschaftlern der Emory University gemeinsam mit Partnern der Georgia Tech sowie an weiteren klinischen Standorten durchgeführte Studie ab. In der Veröffentlichung im Journal SLEEP (Datum: 9. Oktober 2026) wird beschrieben, dass ein Deep-Learning-Modell nächtliche Elektrokardiogramme aus der Polysomnographie auswertet und damit das Risiko für das Auftreten einer Herzinsuffizienz bis zu zehn Jahre im Voraus identifizieren kann. Für den klinischen Alltag ist dabei entscheidend, dass die Schlafdiagnostik ohnehin stattfindet und EKG-Daten häufig als Nebenstrom anfallen – hier werden sie gezielt als Signalquelle genutzt.
Technisch beginnt das Projekt bei der Datenbasis und bei der Frage, wie robust sich ein Modell aus Schlaf- und Herzsignalen trainieren lässt. Für die Modellentwicklung nutzten die Forscher zunächst 86.000 EKG-Aufzeichnungen. Die Anpassung des Systems erfolgte anschließend anhand von Schlafdaten von 15.809 Patienten des Massachusetts General Hospital. In den beiden unabhängigen Testkohorten prüften sie die Übertragbarkeit dann weiter: Insgesamt 9.810 Patienten aus dem Emory University Hospital sowie 12.576 Patienten aus dem Beth Israel Deaconess Medical Center wurden über Zeiträume von sieben bis zehn Jahren nachbeobachtet. Diese Trennung zwischen Entwicklung und unabhängiger Bewertung ist in prädiktiven KI-Vorhaben besonders wichtig, um eine rein datengetriebene Modellanpassung zu reduzieren.
Besonders konkret wird die Arbeit bei der Frage, welche Schlafphasen und welche Signalanteile den größten Informationsgehalt liefern. Die Messung soll dabei bereits mit einer einzigen EKG-Elektrode am Brustkorb ausreichen – ein Punkt, der die Hürde für eine spätere Skalierung im Schlaflabor niedrig halten könnte. Als besonders aussagekräftig erwies sich der Leichtschlaf unmittelbar nach dem Einschlafen. Genau in diesem Zeitfenster findet laut Beschreibung die autonome Umstellung des Körpers statt, also die Umschaltung im vegetativen Nervensystem, die sich in Herzfrequenz- und Rhythmusmustern niederschlagen kann. Wenn der berechnete Risikoscore um eine Standardabweichung steigt, vervielfachte sich das Risiko für Vorhofflimmern um das Zweifache bis 2,7-Fache; für spätere Herzinsuffizienz wird eine Erhöhung von 69 bis 133 Prozent angegeben.
Für das Risikoprofil nennt die Studie neben Herzinsuffizienz auch Kennzahlen zu anderen klinisch relevanten Endpunkten. Die Wahrscheinlichkeit für einen Tod aus allen Ursachen soll um 65 bis 82 Prozent ansteigen, während der Anstieg für Schlaganfälle zwischen 19 und 40 Prozent liegt. Damit adressiert das Modell nicht nur einen einzelnen Endpunkt, sondern versucht ein breiteres Spektrum kardiovaskulärer Ereignisse abzudecken. Gleichzeitig zeigt die Studie auch Grenzen: Für Schlaganfälle und akute Myokardinfarkte ergibt sich im Vergleich zu bestehenden Methoden kein signifikanter statistischer Zusatznutzen. In der Praxis bedeutet das: Ein KI-EKG aus dem Schlafkontext könnte für bestimmte Risikoachsen besonders hilfreich sein, aber nicht als universeller Ersatz für vorhandene Risikoabschätzungen taugen.
Der Mehrwert wird zudem in Relation zu etablierten Risikomodellen eingeordnet und bleibt auch nach statistischer Bereinigung um traditionelle Einflussgrößen bestehen. In der Beschreibung werden Alter, Geschlecht sowie Faktoren wie Diabetes, Bluthochdruck und Rauchen genannt. Gegenüber klassischen Risikomodellen bietet die KI-Auswertung demnach einen zusätzlichen Vorhersagegewinn von 8 bis 9 Prozent bei Herzinsuffizienz, von bis zu 6 Prozent bei Vorhofflimmern sowie von 4 bis 7 Prozent bei der Gesamtmortalität. Historisch betrachtet ist dieser Schritt konsistent mit einem breiteren Trend: In vielen Bereichen der Medizin geht KI inzwischen von reinem “Erkennen” hin zu “Prognostizieren”, also von der Diagnostik zur Vorhersage über längere Zeiträume. Hier wird der biologische Kontext über Schlafphasen direkt in die Modelllogik eingebunden.
Wichtig ist allerdings die Positionierung des Verfahrens: Die Studienautoren ordnen es als Entwicklung mit Screening-Charakter ein, die in der Logik laufender Schlafuntersuchungen eingesetzt werden soll, nicht als eigenständige Diagnosemethode. Gleichzeitig weisen sie darauf hin, dass die berichteten Kennzahlen statistische Assoziationen abbilden und keine direkte Kausalität belegen, also keine exakten individuellen Wahrscheinlichkeiten darstellen. Für Unternehmen, die KI-gestützte Lösungen im Gesundheitsbereich entwickeln oder integrieren, folgt daraus vor allem ein Prozesspunkt: Der Weg in die klinische Routine erfordert weitere Validierungsstudien. Praktisch wäre die Integration in bestehende Schlaflabor-Workflows naheliegend, weil EKG-Daten ohnehin vorhanden sind – der Nutzen entsteht dann durch bessere Auswertung und durch eine klare Einordnung, wann ein Signal eher “Warnhinweis” und wann eher “keine Zusatzinformation” liefert.
Dass der Programmcode öffentlich zur Verfügung gestellt wird, kann den Abgleich zwischen Forschung und Implementierung beschleunigen. Für die Industrie heißt das: Nachprüfbarkeit und reproduzierbare Experimente werden leichter, etwa bei der Frage, welche Vorverarbeitung der EKG-Wellenformen in der Pipeline steckt oder wie stabil die Modellleistung über Kohorten hinweg bleibt. Gleichzeitig sollten Betreiber und Entwickler die Ergebnisse als Ergänzung betrachten und den fehlenden Zusatznutzen bei bestimmten Endpunkten ernst nehmen. Wenn sich ein KI-System für Herzinsuffizienz und Mortalität bewährt, kann daraus mittelfristig ein datengetriebenes Frühwarnsignal in Schlafdiagnostik-Umgebungen werden – aber bis zur breiten Anwendung bleibt der entscheidende Schritt, die Validierung für Routinebedingungen und unterschiedliche Patientengruppen abzuschließen.
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "KI aus EKG-Elektrode in der Schlafphase: Risiko für Herzinsuffizienz bis zu 10 Jahre" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "KI aus EKG-Elektrode in der Schlafphase: Risiko für Herzinsuffizienz bis zu 10 Jahre" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »KI aus EKG-Elektrode in der Schlafphase: Risiko für Herzinsuffizienz bis zu 10 Jahre« bei Google Deutschland suchen, bei Bing oder Google News!