KI in der Kardiologie: Kann ein Algorithmus Dein Herz mitschützen?

KI ist aus unserem Alltag nicht mehr wegzudenken: Sie steckt in Deinem Routenplaner, in Deinem Smart-Home und in Deiner Smartwatch. Auch in der Medizin KI längst zum Alltag. Das gilt auch für den Bereich Kardiologie.

Was heißt das für Dich und Deine kardiologische Versorgung? Hier erfährst Du, wo KI Kardiolog*innen heute schon systematisch unterstützt, welche Studien das belegen und worauf Du bei einer auffälligen Meldung achten solltest.

KI kann in der Herzmedizin schon jetzt einen echten Unterschied machen, bei der Früherkennung genauso wie bei der schnelleren Einordnung von Warnsignalen.

Was sie nicht kann: die ärztliche Beurteilung ersetzen. Sie liefert wertvolle Zusatzinformationen, mehr nicht, aber auch nicht weniger.

Ein klinisches Entscheidungsunterstützungssystem, kurz CDSS, ist eine Software, die medizinische Daten auswertet und dem Behandlungsteam Hinweise gibt: eine Warnung vor einer Medikamenten-Wechselwirkung, ein Vorschlag für eine weitere Untersuchung, eine Einschätzung zum Erkrankungsrisiko.

Klassische Systeme folgen dabei festen Regeln: Liegt Wert X über Grenze Y, erscheint Warnung Z. KI-gestützte Systeme gehen weiter. Sie erkennen Muster, die sie aus großen Mengen an Trainingsdaten gelernt haben, so, wie ein Kollege oder eine Kollegin, der oder die schon tausende EKGs gesehen hat, auf Anhieb eine feine Auffälligkeit bemerkt, die andere leicht übersehen.

Darin liegt die Stärke von KI: Sie findet Muster in Datenmengen, für die kein Mensch Zeit hätte. Damit das im Alltag wirklich hilft, muss ein System aber die wichtigen Fälle gezielt herausfiltern und darf Dich nicht mit unnötigen Warnungen zuschütten. Du kennst das von Deinem Handy: Leuchtet ständig etwas auf, lässt Deine Aufmerksamkeit irgendwann nach. In der Medizin heißt das Alarmmüdigkeit, und dabei können auch wichtige Hinweise untergehen. Gut trainierte KI-Systeme können Warnungen gezielter machen. Ob das gelingt, muss aber für jedes System einzeln überprüft werden.

Wie wichtig diese Prüfung ist, zeigt eine Übersichtsarbeit von Chen und seinem Kolleg*innenteam aus dem Jahr 2025. Untersucht wurden zehn Studien zu KI-gestützten Entscheidungshilfen beim akuten Koronarsyndrom, also bei akuten Durchblutungsstörungen des Herzens, zu denen auch der Herzinfarkt zählt.

Das Team fand vielversprechende Ansätze mit echtem Potenzial, aber auch Lücken: Viele Systeme wurden noch nicht an unabhängigen Patient*innengruppen geprüft. Das bedeutet aber nicht, dass sie nicht funktionieren. Es bedeutet: Noch fehlen die Studien, die sie für den alltäglichen Gebrauch sicher und tauglich machen.

Manche KI-Modelle liefern eine Einschätzung, ohne dass sofort klar ist, wie sie darauf gekommen sind. Dieses Phänomen heißt Blackbox. Dagegen forscht ein ganzer Zweig der KI-Forschung und nennt sich„erklärbare KI“. Spezielle Verfahren zeigen zunehmend, welche Daten eine Einschätzung besonders beeinflusst haben, vergleichbar mit einer Landkarte, die markiert, worauf das System in erster Linie geachtet hat.

Eine systematische Übersichtsarbeit von Abbas und anderen Forschenden aus dem Jahr 2025 hat 62 Veröffentlichungen aus verschiedenen medizinischen Fachgebieten ausgewertet. Ergebnis: Es gibt bereits viele vielversprechende technische Ansätze. Offen ist vor allem, ob diese Erklärungen im Praxisalltag tatsächlich verständlich sind. Genau daran wird gerade intensiv gearbeitet.

Eine verständliche Erklärung beweist allerdings noch nicht, dass ein KI-Ergebnis richtig ist. Deshalb bleibt entscheidend: das System sorgfältig prüfen, dessen Grenzen kennen.

Dein Ziel im Umgang mit KI sollte deshalb nicht blindes Vertrauen sein, sondern ein angemessenes: Hinweise der KI nutzen, ohne sie unreflektiert zu übernehmen.

Eine Auffälligkeit zu erkennen und Deine Gesundheit tatsächlich zu verbessern, das sind zwei verschiedene Dinge. Deshalb zählt nicht nur die Trefferquote eines Algorithmus, sondern der ganze Ablauf danach: Was passiert nach einer KI-Meldung? Werden die richtigen Untersuchungen angestoßen? Und hilft das den Menschen am Ende wirklich?

Am aussagekräftigsten lässt sich das mit randomisierten kontrollierten Studien prüfen. Teilnehmende werden dabei nach dem Zufallsprinzip entweder einer KI-gestützten oder der üblichen Versorgung zugeteilt, nur so lässt sich der tatsächliche Effekt fair vergleichen.

Eine Übersichtsarbeit aus dem Jahr 2026 (Ong und andere Wissenschaftler*innen) hat 31 randomisierte Studien mit rund 1,69 Millionen Teilnehmenden zusammengefasst und liefert ermutigende Ergebnisse. Bei bestimmten bildgestützten KI-Entscheidungshilfen traten in der Folge weniger schwere Herz-Kreislauf-Ereignisse auf.

Bei KI-gestützten mobilen Gesundheitsangeboten lag der obere Blutdruckwert im Schnitt niedriger als unter üblicher Versorgung. Das ist ein Hinweis darauf, dass Dich digitale, KI-gestützte Begleitung tatsächlich dabei unterstützen kann, Deine Herzgesundheit im Blick zu behalten.

Die Autor*innen selbst bewerten die Sicherheit der Evidenz je nach Ergebnis als niedrig bis sehr niedrig, was bedeutet: Die tatsächlichen Effekte könnten größer oder kleiner ausfallen als berichtet. Für ein junges Forschungsfeld ist das allerdings normal. Die Richtung stimmt schon, die Detailschärfe kommt mit weiteren großen Studien.

Elf randomisierte Studien wurden in einer Übersichtsarbeit von Hadida Barzilai und weiteren Mediziner*innen aus dem Jahr 2025 unter die Lupe genommen. Mehrere Studien davon zeigten handfeste Vorteile: bei der Erkennung von Erkrankungen, bei klinischen Ergebnissen, beim Versorgungsaufwand.

Die untersuchten Anwendungen unterschieden sich allerdings stark, deshalb lassen sich die Ergebnisse nicht eins zu eins auf jedes KI-System übertragen. Was aber als Ergebnis festzuhalten bleibt, ist: Für konkrete, gut untersuchte Anwendungen macht KI schon heute messbar etwas positiv aus.

Ein gutes Beispiel liefert die PULsE-AI-Studie von Hill und Kolleg*innen, veröffentlicht 2022, mit 23.745 Erwachsenen aus englischen Hausarztpraxen. Ein KI-Modell identifizierte Menschen mit erhöhtem Risiko für bisher unentdecktes Vorhofflimmern. Sie wurden gezielt zu weiteren Untersuchungen eingeladen.

In dieser Hochrisikogruppe wurde bei 5,63 Prozent Vorhofflimmern oder eine verwandte Rhythmusstörung festgestellt, unter üblicher Versorgung bei 4,93 Prozent. Statistisch gesichert war der Unterschied nicht, auch weil nicht alle Eingeladenen tatsächlich zur Untersuchung kamen.

Und was heißt das jetzt in unserem Zusammenhang? Nicht, dass der Ansatz wirkungslos ist. Sondern: Der Algorithmus allein reicht nicht. Genauso wichtig ist, was danach passiert, ob die identifizierten Menschen den Weg zur Untersuchung auch wirklich gehen. Oft liegt hier der größte Hebel für mehr Nutzen im Alltag.

Ein KI-Modell kann im Durchschnitt hervorragend abschneiden und trotzdem bei einzelnen Patient*innengruppen weniger zuverlässig sein. Ein Grund: Sind bestimmte Gruppen in den Trainingsdaten kaum vertreten, leidet die Übertragbarkeit auf genau diese Menschen. Auch Unterschiede zwischen Kliniken, Messgeräten oder Versorgungssituationen spielen mit hinein. Systematische Verzerrungen dieser Art nennt man Bias.

Ein Studienprotokoll von Lawal und Kolleg*innen aus dem Jahr 2026 beschreibt, wie vorhandene Untersuchungen zu möglichen Verzerrungen bei der KI-EKG-Auswertung systematisch gesammelt werden sollen. Eine abschließende Bewertung gibt es noch nicht.

Bemerkenswert ist trotzdem: Fairness und Bias sind heute ein eigenes, aktives Forschungsfeld, die Entwicklung zielt also bewusst auf zuverlässigere, gerechtere Systeme. Für Dich heißt das: Ein System sollte nicht nur insgesamt gut abschneiden, sondern auch in den unterschiedlichen Patient*innengruppen.

Neben Messwerten rücken zunehmend große Sprachmodelle in den Fokus. Sie können Texte verstehen und erzeugen, etwa Entwürfe für Arztbriefe oder Zusammenfassungen medizinischer Informationen. Das spart Zeit im Praxisalltag.

Eine Übersichtsarbeit von Woo und weiteren Forschenden beschreibt genau diese Vorteile für die Dokumentation, nennt aber auch Risiken: sachliche Fehler, ausgelassene Informationen, erfundene Inhalte. Medizinisch relevante Texte müssen deshalb weiterhin fachlich gegengeprüft werden, auch wenn sie überzeugend klingen. Diese menschliche Überprüfung nennt man „Human in the Loop“.

Mehr Daten allein reichen für die Weiterentwicklung nicht. Genauso entscheidend ist ihre Qualität, und ob sie die Menschen und Situationen abbilden, für die ein System später eingesetzt wird. Dazu kommen Prüfungen unter echten Alltagsbedingungen statt nur im Labor.

Die entscheidende Frage ist also nicht nur, wie gut eine KI ein Muster erkennt. Sondern: Wie wird daraus etwas, das Dir wirklich hilft?

KI kann heute schon vieles in der Kardiologie unterstützen: Früherkennung, schnellere Warnmeldungen, Entlastung im Praxisalltag. Wie groß der Vorteil für Dich persönlich ausfällt, hängt von der jeweiligen Anwendung ab. Ein pauschales Urteil über „die KI“ gibt die Forschung nicht her, wohl aber viele zukunftsweisende Bausteine.

Bei klinischen Unterstützungssystemen ist ein automatischer Hinweis für das Behandlungsteam eine wertvolle Zusatzinformation, die immer im Zusammenhang mit Deiner konkreten Situation bewertet wird. Eine Software-Empfehlung ist noch keine fertige Behandlungsentscheidung, aber ein guter Ausgangspunkt dafür.

Bei smartcor beurteilen deshalb Kardiolog*innen Deine eingesandten EKG-Aufzeichnungen. Das Angebot ist nicht für akute Beschwerden oder medizinische Notfälle gedacht und ersetzt keine erforderliche Untersuchung vor Ort.

Bei akutem Brustschmerz oder Druckgefühl im Brustkorb, starker Luftnot, Ohnmacht oder plötzlich auftretenden Lähmungen oder Sprachstörungen gilt: sofort den Notruf 112 wählen. Warte nicht auf eine App-Auswertung.

Ein unauffälliges Smartwatch-Ergebnis schließt einen medizinischen Notfall nicht aus, die EKG-App der Apple Watch etwa kann keinen Herzinfarkt erkennen.

Klassische Systeme nutzen vorab festgelegte Regeln. KI-gestützte Systeme erkennen zusätzlich Muster aus großen Mengen an Trainingsdaten, ähnlich wie ein erfahrenes Behandlungsteam, das schon viele Fälle gesehen hat. Beide liefern wertvolle Hinweise. Welcher Ansatz besser passt, hängt von der Aufgabe und der nachgewiesenen Zuverlässigkeit ab.

Erklärbare KI umfasst Verfahren, die sichtbar machen, worauf ein Modell seine Einschätzung stützt, zum Beispiel, welche Werte besonders ausschlaggebend waren. Das hilft, ein Ergebnis besser einzuordnen. Ein Beweis dafür, dass die Einschätzung medizinisch richtig ist, ist es aber nicht.

Weil ein System nicht automatisch bei allen Menschen gleich zuverlässig arbeitet, etwa wenn bestimmte Patient*innengruppen in den Trainingsdaten unterrepräsentiert sind. Deshalb wird inzwischen gezielt daran geforscht, solche Unterschiede aufzudecken und Systeme fairer zu machen.

Nein. Eine automatische Meldung, etwa von einer Smartwatch, ist ein wertvoller erster Hinweis, aber keine abschließende medizinische Beurteilung. Eine EKG-Aufzeichnung liefert wichtige Informationen über den Herzrhythmus, erfasst aber nicht alle Herzerkrankungen. Je nach Ergebnis und Beschwerden können weitere Untersuchungen durch Kardiolog*innen sinnvoll sein.

Nimm die Meldung ernst, ohne sie schon als gesicherte Diagnose zu verstehen. Speichere die Meldung und eine vorhandene EKG-Aufzeichnung und lass sie zeitnah ärztlich einordnen. Ohne akute Beschwerden kann je nach Situation auch eine telemedizinische Auswertung, etwa über smartcor, eine gute Option sein.
Bei akutem Brustschmerz, starker Luftnot, Ohnmacht oder plötzlich auftretenden Lähmungen oder Sprachstörungen wähle sofort 112. Warte in solchen Situationen nicht auf eine Rückmeldung über eine App, auch ein unauffälliges Smartwatch-Ergebnis gibt dann keine sichere Entwarnung.

Letzter Quellenabgleich: 29. September 2026.

Abbas Q, Jeong W, Lee SW.: Explainable AI in Clinical Decision Support Systems: A Meta-Analysis of Methods, Applications, and Usability Challenges. Healthcare. 2025;13(17):2154. DOI: 10.3390/healthcare13172154.

Chen SH, Wu CC, Chen KF.: Navigating AI in cardiology: A scoping review of integration through clinical decision support systems for acute coronary syndrome. Biomedical Journal. 2025;48(5):100853. DOI: 10.1016/j.bj.2025.100853.

Ghassemi M, Oakden-Rayner L, Beam AL.: The false hope of current approaches to explainable artificial intelligence in health care. The Lancet Digital Health. 2021;3(11):e745–e750. DOI: 10.1016/S2589-7500(21)00208-9.

Hadida Barzilai D et al.: Randomized Controlled Trials Evaluating Artificial Intelligence in Cardiovascular Care: A Systematic Review. JACC: Advances. 2025;4(11, Part 1):102152. DOI: 10.1016/j.jacadv.2025.102152.

Hill NR et al.: Identification of undiagnosed atrial fibrillation using a machine learning risk-prediction algorithm and diagnostic testing (PULsE-AI) in primary care: a multi-centre randomized controlled trial in England. European Heart Journal – Digital Health. 2022;3(2):195–204. DOI: 10.1093/ehjdh/ztac009.

Lawal L et al.: Mapping Algorithmic Bias in AI-Powered Electrocardiogram Interpretation Across the AI Life Cycle: Protocol for a Scoping Review. JMIR Research Protocols. 2026;15:e82486. DOI: 10.2196/82486.

Ong AQC et al.: Artificial intelligence in cardiovascular care: a systematic review and meta-analysis of randomised controlled trials. eClinicalMedicine. 2026;98:104123. DOI: 10.1016/j.eclinm.2026.104123.

Sutton RT et al.: An overview of clinical decision support systems: benefits, risks, and strategies for success. npj Digital Medicine. 2020;3:17. DOI: 10.1038/s41746-020-0221-y.

Woo BFY et al.: The use of large language models in clinical documentation: A scoping review. International Journal of Nursing Studies. 2026;176:105322. DOI: 10.1016/j.ijnurstu.2025.105322.