Mithilfe von KI können medizinische Daten effizienter und genauer ausgewertet werden. Ein am Fraunhofer IZM entwickeltes Sensorsystem zur Diagnose von Herz-Kreislauf-Erkrankungen wird durch die Einbindung von KI zu einem vielversprechenden Werkzeug in der Kardiologie.

Management Summary

KI-gestützte Sensorsysteme können kardiologische Diagnostik deutlich beschleunigen und ärztliches Fachpersonal bei der Auswertung komplexer Messdaten entlasten.
Das Fraunhofer IZM verbindet Wearable-Sensorik, Edge-Computing, Cloud-Auswertung und spezialisierte KI-Modelle zu einem integrierten Diagnoseansatz.
Aus den Sensordaten lassen sich rund 240 kardiologisch relevante Parameter ableiten, die durch klassische Signalverarbeitung und trainierte KI-Modelle validiert werden.
Medizinische LLMs unterstützen Anamnese, Langzeitbeobachtung und die patienten- oder fachgerechte Aufbereitung von Auffälligkeiten, Risiken und Diagnosevorschlägen.
Perspektivisch können solche Systeme Versorgungslücken reduzieren, Früherkennung verbessern und Fachärzte mit umfassenderen Datengrundlagen unterstützen.

Auch für die erfahrensten Ärzte ist es kaum möglich, in der Diagnostik den Durchblick zu behalten: Laut WHO lassen sich 55.000 Krankheiten mit 13.000 Symptomen unterscheiden.[1]

Darunter gehören Herz-Kreislauf-Erkrankungen, zum Beispiel Bluthochdruck, Herzschwäche und Herzrhythmusstörungen, zu den häufigsten. Ein Großteil der weltweiten Todesfälle ist auf sie zurückzuführen.

Aber sie sind gut erforscht und erkennbar. In Wearables, etwa in Smartwatches, sind oft Sensoren verbaut, die ihre Trägerinnen oder Träger bei Warnzeichen alarmieren. Die umfangreiche kardiologische Diagnostik ersetzen sie nicht. Jedoch ist ein fachärztlicher Termin oft nur mit langer Wartezeit zu bekommen, und in der Praxis selbst bleibt nur wenig Zeit für einzelne Patienten.

Um unter diesen Umständen ein vollständiges Bild vom Krankheitszustand und eine verlässliche Diagnostik zu bekommen, bietet sich die Unterstützung von Künstlicher Intelligenz (KI) an. Bei der Etablierung eines KI-Frameworks für die kardiologische Diagnostik stieß man bisher jedoch auf ein Henne-Ei-Problem: Da es kein Gerät gab, das eine Messung aller relevanten Parameter gewährleistet, gibt es keine speziell auf kardiologische Parameter trainierten KIs. Ohne eine spezialisierte KI ist jedoch auch kein vollständiges Diagnose-System möglich.

Durch ein am Fraunhofer-Institut für Zuverlässigkeit und Mikrointegration IZM entwickeltes Sensorsystem rückt die Lösung dieses Problems in greifbare Nähe. Die vom Sensorsystem gesammelten Daten werden von einem in das Wearable integrierten Edge-PC an die Cloud weitergegeben und dort mit Unterstützung der KI ausgewertet.

Von der Messung bis zur Diagnose

Aus den Messungen der verbauten Sensoren lassen sich etwa 240 kardiologisch relevante Parameter ableiten. Zudem können die Messergebnisse von externen Geräten, etwa Ultraschall-Geräten, eingespeist werden. Die Daten werden zur Optimierung der Zuverlässigkeit erst durch klassische Verfahren zur Signalverarbeitung und dann durch darauf trainierte KI-Modelle validiert.

Anschließend können neuronale Netze die Morphologie der Datenkurven, also etwa die Form der EKG-Linie, auswerten, um dort Auffälligkeiten festzustellen. Diese Auswertung passiert immer noch händisch und stellt eine notwendige, aber zeitfressende Fleißarbeit in der klinischen Praxis dar. Dabei haben Untersuchungen mehrfach gezeigt, dass spezialisierte KIs die Auswertung genauer durchführen können als erfahrenes medizinisches Fachpersonal.[2]

Hinzu kommen die Erkenntnisse aus der Anamnese – etwa zur familiären Krankheitsgeschichte oder zum tagesaktuellen Befinden. Durch den Einsatz von genau abgestimmten Large Language Models (LLMs), Sprachmodellen mit einem Fokus auf medizinische Themen, können diese Befragungen detailliert durchgeführt und zur Langzeitbeobachtung täglich wiederholt werden. Die Beantwortung des an kardiologischen Leitlinien orientierten Fragebogens ist per Text- und Spracheingabe möglich.

Auch bei der Aufbereitung der Untersuchungsergebnisse kommen LLMs zum Einsatz. Angepasst auf die jeweilige Nutzung, von ärztlichem Fachpersonal oder bei Betroffenen, werden in jeweils verständlicher Sprache Auffälligkeiten, Risikofaktoren und Diagnosevorschläge ausgegeben. Dazu arbeiten im Hintergrund mehrere medizinische LLMs, darunter Googles MedGemini, deren Ergebnisse von einem übergeordneten KI-Agenten abgeglichen und auf Widersprüche überprüft werden.

Medizin der Zukunft

Durch eine solche Unterstützung von Standardprozessen könnte die fachärztliche Versorgung in Zukunft effizienter organisiert werden. Spezialisierte Systeme würden Hausärzte bei der ersten Früherkennung von Symptomen und Risiken zur Seite stehen und eine patientengerechte Überweisung an die richtige Stelle fördern. Fachärzte könnten auf ein weitaus umfangreicheres Datenset zurückgreifen und erhielten Unterstützung bei der Auswertung und Interpretation. Patienten, die mit einer Herz-Kreislauf-Krankheit leben, kann das System durch die Einstellung der richtigen Medikamentendosis, angepasst an die Tagesform, unterstützen.

Die Weiterentwicklung des Sensorsystems hin zu einer KI-gestützten Validierung, Auswertung und Aufbereitung der Messungen zeigt einen Blick auf die »Medizin der Zukunft«, passend zum Motto des Wissenschaftsjahres 2026. Perspektivisch ist der Einsatz von ähnlichen Systemen auch über die Kardiologie hinaus denkbar, etwa in der Lungenmedizin.

(Text: Steffen Schindler; Bild: Basel Adams / KI-generiert)

[1] https://www.who.int/news/item/18-06-2018-who-releases-new-international-classification-of-diseases-(icd-11)

[2] https://pmc.ncbi.nlm.nih.gov/articles/PMC12808761/

FAQ

Welches Problem adressiert das KI-gestützte Sensorsystem?
Es soll helfen, die komplexe kardiologische Diagnostik effizienter zu machen, indem relevante Vital- und Messdaten systematisch erfasst, validiert und ausgewertet werden.

Welche Rolle spielt das Fraunhofer IZM?
Das Fraunhofer-Institut für Zuverlässigkeit und Mikrointegration IZM hat ein Sensorsystem entwickelt, das mehrere kardiologisch relevante Messwerte erfassen und für eine KI-gestützte Analyse bereitstellen kann.

Warum reichen klassische Wearables nicht aus?
Smartwatches und ähnliche Geräte können Warnzeichen erkennen, ersetzen aber keine umfassende kardiologische Diagnostik. Das neue System zielt auf ein deutlich breiteres und medizinisch belastbareres Datenbild.

Wie unterstützen LLMs die medizinische Anwendung?
Spezialisierte medizinische Sprachmodelle können Anamnesefragen strukturieren, Langzeitbeobachtungen unterstützen und Ergebnisse zielgruppengerecht für Fachpersonal oder Betroffene aufbereiten.

Welche Perspektive eröffnet die Technologie?
Sie könnte künftig die Früherkennung verbessern, ärztliche Standardprozesse entlasten und ähnliche Anwendungen auch in anderen medizinischen Fachgebieten ermöglichen.

3318 Artikel zu „KI Gesundheit“

Trends 2026 | News | Healthcare IT | Künstliche Intelligenz | Services | Strategien | Whitepaper

KI wird zum strukturbildenden Element des Gesundheitswesens

3. Mai 2026

Der Trendreport beschreibt, wie sich das deutsche Gesundheitswesen 2026 im Spannungsfeld zwischen rasanter KI‑Innovation und komplexer Regulierung neu ausrichtet [1]. KI entwickelt sich vom Pilotprojekt zum strukturbildenden Element – sowohl in Versorgung als auch Verwaltung – während gleichzeitig eine Vielzahl großer Reformpakete (Krankenhaus, ambulante Versorgung, Pflege, Apotheken, Datenräume) die Rahmenbedingungen neu definieren. KI als…