Fünf Sekunden Videobilder werden zum Gesundheitscheck

Besondere Aufmerksamkeit erhielt eine Studie eines japanischen Forschungsteams um Ryoko Uchida von der Universität Tokio. Untersucht wurde, ob sich aus kurzen spektroskopischen Aufnahmen des Gesichts Hinweise auf Hypertonie und Diabetes gewinnen lassen. 215 Teilnehmer wurden mit einer spektroskopischen Hochgeschwindigkeitskamera aufgenommen.

Das Verfahren erfasst minimale Veränderungen von Blutfluss, Lichtabsorption und Hautdurchblutung, die visuell nicht wahrnehmbar sind. Ein Machine-Learning-Modell suchte anschließend nach Mustern, die mit den bekannten medizinischen Befunden der Probanden zusammenhingen. Bei nur fünf Sekunden Aufnahmedauer erreichte das Modell für Hypertonie im untersuchten Kollektiv eine Accuracy von 90,3 Prozent. Für Diabetes lag sie bei 81,2 Prozent. Bei 30 Sekunden Video stiegen die Werte auf rund 95 beziehungsweise 88,2 Prozent.

Die Zahlen markieren noch keinen klinisch einsetzbaren Gesundheitscheck. Die Studie wurde an einem einzelnen Zentrum und mit einer kleinen Teilnehmerzahl durchgeführt. Verwendet wurde zudem eine spezielle spektroskopische Kamera und nicht die gewöhnliche Frontkamera eines Smartphones. Auch für eine individuelle Blutdruckbestimmung reicht die bisher erzielte Präzision noch nicht aus. Interessant ist deshalb weniger die Vorstellung einer Diagnose in fünf Sekunden. Relevant ist die Aussicht auf ein extrem niedrigschwelliges Risikosignal. Ein solches Verfahren könnte perspektivisch Menschen identifizieren, bei denen eine konventionelle medizinische Untersuchung sinnvoll erscheint. Damit verändert sich die Rolle des Algorithmus. Sein Nutzen entsteht nicht erst dann, wenn er eine Erkrankung zweifelsfrei diagnostiziert. Er kann bereits darin liegen, innerhalb großer Populationen zuverlässig jene Fälle zu erkennen, die einen genaueren Blick benötigen.

Besonders anschaulich wird diese Entwicklung beim Elektrokardiogramm. Das EKG gehört seit Jahrzehnten zu den etablierten und vergleichsweise kostengünstigen Verfahren der Medizin. Klassisch liefert es Informationen über die elektrische Aktivität des Herzens, Herzfrequenz und Rhythmusstörungen. Deep-Learning-Systeme können inzwischen zusätzliche Muster aus denselben Kurven extrahieren. Dabei geht es gerade um Informationen, die ein menschlicher Betrachter im konventionellen EKG nicht unmittelbar erkennen kann.

Ein Team um das Imperial College London entwickelt entsprechende AI-ECG-Modelle unter anderem für Herzinsuffizienz und Herzklappenerkrankungen. Auf dem ESC Congress vorgestellte Daten aus einer US-amerikanischen Untersuchung mit rund 67.000 Patienten zeigten, dass das System einen erheblichen Anteil dieser Erkrankungen anhand konventioneller EKG-Daten identifizieren konnte. Die algorithmische Analyse benötigt nur wenige Sekunden.

Die auffälligen Fälle müssten weiterhin mit etablierten Verfahren wie einer Echokardiographie überprüft werden. Genau darin liegt jedoch die strategisch interessante Verschiebung. Das EKG ersetzt die Spezialdiagnostik nicht. Es kann helfen, sie besser zu adressieren. Ein kostengünstiger Routinetest erzeugt Daten. KI analysiert zusätzliche Muster. Patienten mit auffälligen Signalen werden priorisiert. Erst anschließend folgt die aufwendigere Untersuchung.

Weitere auf dem Kongress präsentierte Arbeiten stützen diese Logik. Deep-Learning-Modelle zur Erkennung einer linksventrikulären diastolischen Dysfunktion aus gewöhnlichen 12-Kanal-EKGs erzielten beispielsweise hohe negative Vorhersagewerte.

Gerade für Screening- und Ausschlussverfahren ist das relevant, weil dadurch Patienten mit sehr niedrigem Risiko möglicherweise früh von aufwendigerer Diagnostik getrennt werden können.

Das EKG entwickelt sich damit von einem klassischen Untersuchungsverfahren zunehmend zu einem digitalen Biomarker. Der Messvorgang bleibt derselbe. Neu ist die Informationsschicht, die Machine Learning darüberlegt.

Gesichtsvideo, Mammographie, EKG und Proteom-Analyse erscheinen zunächst wie sehr unterschiedliche Forschungsfelder. Technologisch folgen sie derselben Logik. KI erhöht den Informationsgehalt medizinischer Daten. Diagnostischer Fortschritt war lange mit zusätzlichen Untersuchungen verbunden: präzisere Bildgebung, neue Laborparameter, weitere Sensoren und spezialisiertere Messverfahren. Künstliche Intelligenz eröffnet nun eine zweite Entwicklungslinie. Bestehende Daten können für zusätzliche medizinische Fragestellungen nutzbar werden. Für Gesundheitssysteme ist das von erheblicher Bedeutung. Knapp sind heute nicht nur medizinische Informationen, sondern vor allem ärztliche Zeit, Fachpersonal, Termine und spezialisierte diagnostische Kapazitäten.Genau an dieser Stelle könnte KI langfristig eine wichtige Rolle als vorgeschaltetes Risk Filtering übernehmen.

Ein Algorithmus muss eine Erkrankung nicht autonom diagnostizieren, um einen relevanten medizinischen und wirtschaftlichen Nutzen zu erzeugen. Bereits die zuverlässige Priorisierung kann wertvoll sein. Aus einer großen Zahl von Routinedaten könnten jene Fälle identifiziert werden, bei denen zusätzliche Diagnostik besonders sinnvoll erscheint. Systeme mit hohen negativen Vorhersagewerten könnten umgekehrt helfen, wenig wahrscheinliche Fälle von aufwendigen Untersuchungen fernzuhalten.

Für ein ressourcenbelastetes Gesundheitssystem wie das deutsche dürfte diese Perspektive wesentlich realistischer sein als die vielfach diskutierte Vision eines autonomen digitalen Arztes. Die Skalierung entstünde nicht primär durch den Ersatz medizinischer Fachkräfte. Sie entstünde durch eine intelligentere Verteilung ihrer begrenzten Kapazitäten.

Der schwierige Teil beginnt nach dem Proof of Concept: Die überzeugenden Ergebnisse einzelner Studien dürfen dennoch nicht mit klinischer Einsatzreife verwechselt werden. Ein Modell, das innerhalb einer kleinen oder homogenen Studienpopulation hohe Genauigkeitswerte erreicht, muss diese Leistung nicht automatisch in anderen Altersgruppen, Bevölkerungen oder Versorgungssystemen reproduzieren. Unterschiede bei Kameras, EKG-Geräten, klinischen Abläufen oder demografischen Strukturen können die Modellqualität beeinflussen.

Hinzu kommt das klassische Dilemma jedes Screenings. Je einfacher und häufiger Risikosignale erhoben werden, desto größer wird auch die Zahl möglicher falsch-positiver Befunde. Ein Algorithmus, der nahezu überall messen kann, kann im ungünstigsten Fall auch nahezu überall Unsicherheit produzieren. Der medizinische Nutzen entsteht deshalb nicht allein durch gute Modelle. Ebenso wichtig sind definierte Versorgungspfade für den Umgang mit auffälligen Ergebnissen, eine belastbare externe Validierung sowie klare regulatorische und haftungsrechtliche Rahmenbedingungen.

Die European Society of Cardiology beschäftigt sich entsprechend zunehmend nicht nur mit der Entwicklung neuer KI-Anwendungen, sondern auch mit deren Bewertung und Implementierung. Der auf dem Kongress vorgestellte „ESC AI Gateway“ soll medizinischen Einrichtungen unter anderem Orientierung dabei geben, klinische KI-Systeme zu beurteilen und verantwortungsvoll einzusetzen. Die entscheidende Grenze bleibt bestehen: Ein algorithmisch erkanntes Muster ist zunächst ein Risikosignal. Es ist weder automatisch ein klinischer Befund noch eine Diagnose.

Trotz dieser Einschränkungen zeigt der ESC Congress 2026 eine Entwicklung, die weit über die Kardiologie hinausweist. Künstliche Intelligenz erweitert die Lesbarkeit vorhandener medizinischer Daten. Eine kurze Videoaufnahme kann physiologische Muster enthalten. Eine Mammographie kann neben ihrem ursprünglichen Untersuchungszweck weitere Risikosignale transportieren. Ein gewöhnliches EKG kann Hinweise auf Erkrankungen liefern, die sich aus der klassischen Betrachtung der Kurve nicht ergeben. Tausende Proteine im Blut können gemeinsam eine Risikosignatur bilden, die kein einzelner Messwert abbildet.

Viele dieser Ansätze befinden sich noch in der klinischen Forschung. Einige werden sich in größeren Studien bestätigen, andere den Sprung in die Versorgung nicht schaffen. Der Übergang von überzeugenden Modellergebnissen zu einem zuverlässigen medizinischen Prozess bleibt eine der größten Herausforderungen der KI im Gesundheitswesen. Die strategische Richtung ist dennoch erkennbar. Prävention könnte sich langfristig von einzelnen, bewusst ausgelösten Untersuchungen zu einem stärker kontinuierlichen Prozess entwickeln. Risikosignale würden zunehmend dort erkannt, wo Daten ohnehin entstehen.

Der Gesundheitscheck der Zukunft wäre damit möglicherweise weniger ein zusätzlicher Termin als eine zusätzliche Informationsschicht über bereits vorhandenen Signalen. Für Künstliche Intelligenz im Gesundheitswesen wäre das keine spektakuläre Verdrängung der Medizin, sondern eine wesentlich pragmatischere Veränderung: mehr Information aus bestehenden Daten und eine präzisere Entscheidung darüber, wann und für wen vertiefte Diagnostik tatsächlich notwendig ist. ■