An der Medizinischen Universität Innsbruck ist ein neues Modell für die Analyse von Elektrokardiogrammen entstanden. xECG verarbeitet elektrische Herzsignale in ihrer gesamten Bandbreite und soll zu den leistungsfähigsten und vielseitigsten EKG-Foundation-Models zählen. Das Thema ist auch für die Medizin an der Uni Mainz interessant: Gerade bei langen Aufzeichnungen, großen Datenmengen und knapper werdendem Fachpersonal kann automatisierte Unterstützung Zeit sparen.

Entwickelt wurde xECG von der Forschungsgruppe „Digital Medicine in Cardiology“ unter Leitung von Clemens Dlaska. Zum Team gehören unter anderem die Erstautoren Riccardo Lunelli und Angus Nicolson, Samuel Martin Pröll sowie die Kardiologen Axel Bauer und Sebastian Reinstadler. Die Arbeit erschien im Fachjournal npj Digital Medicine; der Fachartikel „BenchECG and xECG: a benchmark and baseline for ECG foundation models“ wurde am 14. September 2026 veröffentlicht.

Ein Modell für viele EKG-Fragen

Klassische medizinische KI-Modelle werden meist für eine einzelne Aufgabe trainiert. Foundation Models sollen ihr gelerntes Wissen dagegen auf viele medizinische Fragestellungen übertragen können. xECG kann Klassifikationen durchführen, Messwerte per Regression schätzen und Überlebenswahrscheinlichkeiten vorhersagen.

Technisch verbindet das Modell die rekurrente xLSTM-Architektur mit dem selbstüberwachten Lernverfahren SimDINOv2. Die xLSTM-Architektur wurde von einem Team um Sepp Hochreiter an der JKU Linz vorgeschlagen. Für das Training wurde außerdem eine ursprünglich aus der Bildverarbeitung stammende Methode an EKG-Zeitreihendaten angepasst. Laut Fachartikel trainiert xLSTM fünfmal schneller als Transformer-Baselines.

Trainiert wurde xECG mit rund acht Millionen EKGs von etwa 1,7 Millionen Patienten. Auch sehr lange Signale lassen sich verarbeiten, etwa nächtliche Aufzeichnungen zur Diagnostik von Schlafapnoe. Der Rechenaufwand steigt dabei linear mit der Signallänge – ein technisches Detail, das in der Praxis ziemlich entscheidend sein kann.

Hier könnte Ihr Advertorial stehen
Ein Advertorial bietet Unternehmen die Möglichkeit, ihre Botschaft direkt im redaktionellen Umfeld zu platzieren

BenchECG soll faire Vergleiche ermöglichen

Gemeinsam mit xECG stellte das Innsbrucker Team BenchECG vor, ein frei zugängliches und standardisiertes Bewertungssystem für EKG-Foundation-Models. Zuvor fehlte laut Forschungsteam eine einheitliche und überprüfbare Definition dafür, wie leistungsfähig ein solches Modell tatsächlich ist. Frühere Evaluierungen nutzten häufig nur eine begrenzte Auswahl an Aufgaben und uneinheitliche Datensätze. Faire Vergleiche wurden dadurch schwierig.

BenchECG umfasst acht öffentlich verfügbare Datensätze mit Daten von 421.171 Patientinnen und Patienten sowie 1.674.704 EKG-Aufzeichnungen. Die Modelle werden unter kontrollierten Bedingungen anhand von zehn konzeptionell unterschiedlichen Aufgaben geprüft. Dazu gehören Klassifikation, Detektion, Regression, Überlebensanalyse und Segmentierung. Ausdrücklich getestet wird auch, wie gut ein Modell mit Daten außerhalb der Trainingsverteilung, also sogenannten Out-of-Distribution-Daten, zurechtkommt.

Die Anforderungen gehen damit über eine einzelne Trefferquote hinaus. Ein EKG-Foundation-Model soll unterschiedliche Aufgaben bewältigen, von der Erkennung feiner Signalmerkmale bis zur Vorhersage von Überlebenswahrscheinlichkeiten. Es soll verschiedene EKG-Arten verarbeiten können – 12-Kanal-EKGs ebenso wie Langzeit-EKGs und Smartwatch-Daten. Und es muss bei unterschiedlichen Patientengruppen zuverlässig funktionieren, von gesunden Menschen bis zu Risikopatienten.

Für die Bewertung kamen öffentlich verfügbare Datensätze mit etwa 1,7 Millionen EKGs von rund 400.000 Patienten zum Einsatz. Mehrere getestete Modelle waren nur teilweise erfolgreich: Bei Klassifikationen schnitten sie gut ab, zeigten aber deutliche Schwächen bei anderen Aufgaben. xECG erreichte im BenchECG den höchsten Gesamtscore von 0,838 und den besten durchschnittlichen Rang: 1,5 von fünf verglichenen Modellen. Die öffentlich verfügbaren Vergleichsmethoden übertraf es. Als Baseline soll xECG nun künftigen ECG-Foundation-Modellen einen Referenzpunkt geben.

Warum lange EKGs klinisch zählen

Ein Standard-EKG umfasst zwölf Ableitungen, die synchron ausgewertet werden müssen, und enthält mehr als 120.000 Datenpunkte. Die Auswertung ist komplex, zeitaufwendig und stark von Erfahrung abhängig. Ursachen für Rhythmusstörungen können vielfältig sein; manchmal liegen mehrere Herzerkrankungen gleichzeitig vor. Da wirkt ein System, das viele EKGs in Praxen und Kliniken in kurzer Zeit durchsucht und auffällige Muster markiert, durchaus entlastend.

In der Akutversorgung kann KI laut Prof. Dr. Thomas Voigtländer Zeit sparen. Ein Beispiel ist Vorhofflimmern: Die Rhythmusstörung tritt häufig unregelmäßig auf und bleibt in frühen Stadien deshalb oft unbemerkt. Sie erhöht das Schlaganfallrisiko. Eine frühere Erkennung kann eine frühere Behandlung ermöglichen und Komplikationsrisiken senken.

An der Mayo-Klinik in Rochester, Minnesota, wurde eine KI entwickelt, die sogar in scheinbar normalen EKGs frühe Hinweise auf Vorhofflimmern erkennen kann. Dieselbe KI sagte außerdem die Pumpleistung der linken Herzkammer präzise voraus – einen Wert, der normalerweise per Echokardiogramm bestimmt wird. Aus EKG-Kurven könnten sich mithilfe von KI möglicherweise auch Erkrankungen der Herzklappen, die Hämoglobinmenge im Blut, die Kaliumkonzentration und weitere Herzerkrankungen ableiten lassen.

Auch bei Katheterablationen zur Behandlung störender elektrischer Aktivitäten im Herzen kann KI die Therapie unterstützen. Studien zeigten, dass sie dabei die Erfolgsrate erhöhen und die Rückfallquote senken kann. Die Forschungsgruppe in Innsbruck plant nun erste klinische Anwendungen von xECG. Nach eigenen Angaben deckt sie die Entwicklung grundlegender KI-Methoden, konkrete Anwendungen und klinische Studien ab.

Viele Daten, viele offene Fragen

Die Qualität solcher Ergebnisse hängt stark von den Trainingsdaten ab. Verzerrte oder unvollständige Datensätze können zu fehlerhaften Vorhersagen führen. Geografische sowie ethnisch-kulturelle Faktoren müssen beim Training berücksichtigt werden, wenn sie für die Entstehung bestimmter Krankheiten relevant sind. Sonst funktioniert ein Modell womöglich dort gut, woher seine Daten stammen – und stolpert anderswo.

Hinzu kommt das Black-Box-Phänomen selbstlernender Systeme: Die Entscheidungswege sind für Menschen nicht immer nachvollziehbar. KI kann Ergebnisse erzeugen, die nicht der Realität entsprechen; solche Fehler werden als „Halluzinationen“ bezeichnet. Daraus ergeben sich medizinethische und rechtliche Fragen: Wie viel Verantwortung darf an KI übertragen werden? Wer haftet bei einer Fehldiagnose? Und wie lassen sich individuelle Gesundheitsdaten schützen?

Auch der hohe Energieverbrauch von KI-Systemen belastet die Umwelt. In der Europäischen Union wurden Regeln beschlossen, die bei neuen KI-basierten Diagnoseverfahren den Einsatz überwachter Lernverfahren fördern sollen. Der Fachartikel wurde am 19. Dezember 2025 eingereicht und am 25. August 2026 angenommen; die DOI lautet 10.1038/s41746-026-03196-y.

Die Forschung wurde ausschließlich intern von der Medizinischen Universität Innsbruck finanziert. Eine spezifische Förderung durch öffentliche, kommerzielle oder gemeinnützige Geldgeber gab es nicht. Beteiligt waren das Digital Cardiology Lab und die Universitätsklinik für Innere Medizin III der Medizinischen Universität Innsbruck sowie die Universitätsklinik für Innere Medizin III, Kardiologie und Angiologie, ebenfalls in Innsbruck. Die Autoren geben keine konkurrierenden Interessen an. Der Beitrag ist unter einer Creative-Commons-Attribution-4.0-Lizenz (CC BY 4.0) frei zugänglich.

Am Ende soll KI dabei ein ärztliches Werkzeug bleiben: Sie soll Diagnostik und Therapie erleichtern und präzisieren, aber die ärztliche Expertise nicht ersetzen. Die endgültige Entscheidung und Verantwortung liegen bei entsprechend ausgebildeten und erfahrenen Fachärztinnen und Fachärzten. Heute, am 2. Oktober 2026, ist xECG damit noch kein fertiger Klinikalltag – aber ein ziemlich großer Datensatz auf dem Weg dorthin.