
Ein in Innsbruck entwickeltes KI-Modell wertet EKG für unterschiedliche Aufgaben aus und übertrifft derzeit andere verfügbare Modelle. Ein frei zugängliches Testverfahren liefert den Vergleichsmaßstab.
Ein Forschungsteam der Medizinischen Universität Innsbruck hat ein KI-Modell zur Analyse von Elektrokardiogrammen entwickelt, das derzeit andere verfügbare Modelle übertrifft. Das gilt für sehr unterschiedliche Aufgaben wie Klassifizierung, Regression oder Überlebensvorhersage. Zugleich legt die Gruppe um den Physiker und Mediziner Clemens Dlaska mit BenchECG ein frei zugängliches Testverfahren vor, das erstmals überprüfbar definiert, was ein solches Modell leisten muss.
xECG, so der Name des KI-Modells, gehört zur Klasse der sogenannten Foundation Models. Anders als KI-Anwendungen, die für eine einzelne, eng umrissene Aufgabe trainiert werden, etwa um eine bestimmte Herzrhythmusstörung zu erkennen, lernen diese Foundation Models das Herzsignal in seiner ganzen Vielfalt zu „verstehen“ – ähnlich wie ein Sprachmodell wie ChatGPT ein umfassendes Verständnis von Text entwickelt. Dieses Wissen lässt sich flexibel auf viele medizinische Fragestellungen übertragen, auch auf solche, für die nur wenige spezifische Trainingsdaten vorliegen. Dafür kombiniert xECG die sogenannte xLSTM-Architektur, die kürzlich von einem Team um den österreichischen KI-Pionier Sepp Hochreiter an der JKU Linz vorgeschlagen wurde, mit einer Trainingsmethode aus der Bildverarbeitung. Diese wurde damit erstmals für Zeitreihendaten wie EKG angepasst. Trainiert wurde das Modell mit rund acht Millionen EKG von rund 1,7 Millionen Patient*innen.
Ein besonderer Vorteil liegt in der Signallänge. „Unser Modell xECG kann auch sehr lange Signale, etwa nächtliche Aufzeichnungen zur Schlafapnoe-Diagnostik, effizient verarbeiten – ein Bereich, in dem viele andere Modelle an ihre Grenzen stoßen“, erklärt Clemens Dlaska. „Der Rechenaufwand unseres Systems skaliert linear mit der Signallänge, das macht es insbesondere bei sehr langen EKG-Signalen so effizient.“
Entwickelt wurde xECG von Dlaskas Team, den beiden Erstautoren Riccardo Lunelli und Angus Nicolson sowie Samuel Martin Pröll, mit Unterstützung durch die klinische Expertise der Kardiologen Axel Bauer und Sebastian Reinstadler.
Mehrere Forschungsgruppen weltweit haben in den vergangenen Jahren Modelle entwickelt und als „EKG-Foundation Model“ bezeichnet. Eine einheitliche, überprüfbare Definition ihres Leistungsvermögens gab es bislang nicht. BenchECG nennt nun drei zentrale Anforderungen: Ein effizientes und umfassendes Modell muss erstens ein breites Spektrum konzeptionell unterschiedlicher Aufgaben bewältigen, von der Klassifikation über die Erkennung feiner Signalmerkmale bis zur Vorhersage von Überlebenswahrscheinlichkeiten. Zweitens muss es mit unterschiedlichen EKG-Aufzeichnungen umgehen können, vom klassischen 12-Kanal-EKG über Langzeit-EKG bis zu Smartwatch-Daten. Drittens muss es bei sehr unterschiedlichen Patient*innengruppen – von Gesunden bis zu Risikopatient*innen – zuverlässig funktionieren.
„Uns ging es nicht nur darum, ein einzelnes gutes Modell zu erstellen“, sagt Dlaska. „Wir wollten vor allem Klarheit und Systematik in dieses Forschungsfeld bringen und haben mit BenchECG zusätzlich eine verlässliche und frei zugängliche Bewertungsgrundlage geschaffen, auf der nun die gesamte Forschungsgemeinschaft aufbauen kann.“
Für die Überprüfung wurden öffentlich verfügbare, sehr unterschiedliche EKG-Datensätze herangezogen. Dabei sei systematisch gemessen worden, wie gut das Modell Darstellungen und Aufgaben unter kontrollierten Benchmark-Bedingungen übertrage, so Dlaska. „Ein Großteil der getesteten EKG Foundation Models hielt dieser Überprüfung nur teilweise stand. Sie funktionierten zwar in einem Bereich, etwa der Klassifikation, sehr gut, in anderen Aufgabenfeldern zeigten sie aber deutliche Schwächen.“
Entstanden ist xECG in der Forschungsgruppe „Digital Medicine in Cardiology“ an der Universitätsklinik für Innere Medizin III, Kardiologie und Angiologie. Ärzt*innen stützen sich bei ihren Entscheidungen auf unterschiedliche Daten, etwa Bildgebung und EKG. Das Ziel sei es, das Potenzial dieser Daten aus dem klinischen Alltag „mithilfe modernster KI-Methoden beispielsweise für die Vorhersage und Früherkennung von Herzinfarkt, Herzrhythmusstörungen oder plötzlichem Herztod zu nutzen“, sagt Dlaska.
Originalpublikation: Lunelli R. et al.: BenchECG and xECG: a benchmark and baseline for ECG foundation models. npj Digit. Med. (2026). https://doi.org/10.1038/s41746-026-03196-y
Titelbild: Das Innsbrucker Forschungsteam, v.l.: Riccardo Lunelli, Samuel Pröll, Angus Nicolson, Sebastian Reinstadler, Clemens Dlaska und Axel Bauer. (c) MUI/D. Bullock