Eine aktuelle Studie aus der VR China zeigt, wie Künstliche Intelligenz bei Patienten und Patientinnen mit stabiler koronarer Herzkrankheit (KHK) das Risiko für ein akutes Koronarsyndrom (ACS) im Voraus einschätzen kann. Die stabile KHK – häufig mit typischer Angina pectoris – betrifft in Deutschland mehrere Millionen Menschen und stellt Ärztinnen und Ärzte vor die immer gleiche Frage: Wer verschlechtert sich, und wann?
Das vorgestellte Deep-Learning-Modell „T2G-Former“ basiert auf longitudinalen elektronischen Gesundheitsakten von 12.336 Patient:innen aus 131 Kliniken. Für das 12-Monats-Fenster erreichte das Modell die besten klinisch relevanten Werte: AUC 0,953 und Sensitivität 0,814 – also eine Trefferquote von gut 80 % derjenigen, die tatsächlich innerhalb eines Jahres ein ACS entwickeln werden.
Die Studie liefert zudem Hinweise auf die interpretierbare Entscheidungslogik des Modells: Mittels SHAP-Analysen identifizierten die Forschenden durchgehend fünf zentrale Prädiktoren - Gesamtcholesterin, Alanin-Aminotransferase (ALT), freies Thyroxin (FT4), Gesamtbilirubin und den Lymphozyten-Prozentsatz. Die Autorengruppe ordnet diese Marker plausibel ein, etwa hinsichtlich bekannter lipidassoziierter Risiken oder auffälliger Schilddrüsen- und Leberfunktionsparameter, die in mehreren ACS-Kohorten prognostische Relevanz gezeigt haben.
Validierung in unabhängigen, idealerweise europäischen Kohorten bleibt notwendig
Besonders attraktiv: Das System benötigt keine Spezialdiagnostik, sondern ausschließlich Routinedaten aus der Versorgung. Eine Integration in Praxis- oder Kliniksoftware wäre damit prinzipiell machbar – ein Punkt, den das Autorenteam ausdrücklich betont. Für Haus- und Fachärztinnen und -ärzte könnte dies eine deutlich dynamischere Risikostratifizierung ermöglichen, etwa durch dichtere Kontrollintervalle, Therapieanpassungen oder eine gezieltere Indikationsstellung für weiterführende Bildgebung.
Allerdings hat die Studie Grenzen: das retrospektive Design, regionale Daten aus nur einer chinesischen Provinz sowie mögliche Kodierartefakte und methodische Unsicherheiten. Die Autorinnen und Autoren sind an diesen Punkten transparent; insbesondere die Sensitivitätsanalysen (MICE vs. k-NN, Permutations-Nullverteilungen) sprechen für robuste Modelleffekte. Dennoch bleibt eine Validierung in unabhängigen, idealerweise europäischen Kohorten notwendig.
Das Fazit: KI kann im Setting stabiler KHK eine belastbare, datengestützte Frühwarnfunktion bieten – nicht als Ersatz der ärztlichen Beurteilung, aber als zusätzliche Ebene, die hilft, Hochrisikopatienten und -patienten frühzeitig zu identifizieren.
Ma H et al.: AI approaches for predicting progression to acute coronary syndrome among stable coronary heart disease patients. njp cardiovascular health. 2025 Dec 02;2(59):1-11 (DOI 10.1038/s44325-025-00094-2).