FACE

Projektbeschreibung

KI-gestützte EKG-Analyse für die Herzmedizin (FACE) – Die manuelle Auswertung von Langzeit-EKG-Aufzeichnungen nimmt in der ärztlichen Praxis nur begrenzt Zeit in Anspruch, umfasst jedoch enorme Datenmengen: 24 Stunden Aufzeichnung entsprechen über 100.000 Herzschlägen, die beurteilt werden müssen. Dabei können Auffälligkeiten wie Vorhofflimmern, Rhythmusstörungen oder andere Unregelmäßigkeiten lebenswichtige Hinweise geben. Trotz dieser Bedeutung liegt die Fehlerquote bei herkömmlicher Auswertung im Schnitt bei etwa 25 Prozent. 

Das Projekt „FACE“ adressiert diese Herausforderung durch den Einsatz von künstlicher Intelligenz, die Herz-Daten automatisiert und zuverlässig analysieren soll. Im Zentrum steht die Entwicklung, Evaluierung und Optimierung verschiedener KI-Modelle, die auf realen EKG-Datensätzen trainiert werden, um Störgeräusche zu erkennen, Rhythmusstörungen zu klassifizieren und zuverlässige Auswertungsergebnisse in einem Bruchteil der Zeit zu liefern. Neben der Leistung wird besonderes Augenmerk auf eine datenschutzfreundliche Edge-Architektur gelegt, bei der sensible Patientendaten direkt vor Ort und ohne Cloud-Übertragung verarbeitet werden. Durch die Zusammenarbeit mit Praxispartnern, Kliniken und Geräteherstellern soll die Integration der KI-Analyse in den medizinischen Alltag erprobt und eine Machbarkeitsstudie im Praxisbetrieb realisiert werden. 

Durch die Nutzung strukturierter Daten, vergleichender KI-Evaluierungen und praxisnaher Tests verbessert das Projekt die Zuverlässigkeit der Langzeit-EKG-Diagnostik, entlastet medizinisches Fachpersonal und legt zugleich die Grundlage für zukünftige cloudbasierte und edge-optimierte Assistenzlösungen in der Herzmedizin.

Schwerpunkte des Projekts

• KI-gestützte EKG-Auswertung: Entwicklung und Training von KI-Modellen zur automatisierten Erkennung und Klassifikation von Herzrhythmusstörungen in Langzeit-EKG-Daten.
• Zuverlässigkeit und Qualitätssicherung: Systematischer Vergleich und Optimierung verschiedener KI-Verfahren zur Reduktion von Fehlinterpretationen und zur Verbesserung diagnostischer Genauigkeit.
• Datenschutzfreundliche Edge-Architektur: Verarbeitung sensibler Patientendaten direkt vor Ort ohne Cloud-Übertragung, um Datenschutzanforderungen zu erfüllen und eine praktische Integration in den Klinik- und Praxisalltag zu ermöglichen.