Die Herausforderung der Langzeit-Holter-EKG-Analyse
Automatische Analysen von Langzeit-Holter-Aufzeichnungen waren schon immer eine Herausforderung. Einer der Hauptgründe ist die variable Signalqualität – Störungen und Artefakte, die auch nach der Filterung bestehen bleiben, können die Leistungsfähigkeit von Algorithmen erheblich beeinträchtigen. Vereinfacht gesagt: Je länger die Aufzeichnung, desto mehr Gelegenheiten gibt es für solche Verzerrungen – Elektrodenablösungen, Patientenbewegungen und Interaktionen mit dem Recorder hinterlassen alle ihre Spuren im Signal.
Glücklicherweise zeichnen Holter-Rekorder häufig mehrere EKG-Kanäle auf. Die Nutzung aller qualitativ hochwertigen Kanäle verbessert die Erkennung von Arrhythmien, bringt jedoch auch einen Zielkonflikt mit sich. Rauschbehaftete Kanäle können Fehlalarme verursachen, insbesondere in Abschnitten mit Artefakten. Gleichzeitig kann Rauschen in einigen Ableitungen klinisch relevante Arrhythmien verdecken, die nur im qualitativ besten einzelnen Kanal sichtbar sind.
Ein modularer KI-Ansatz für eine bessere EKG-Analyse
Unsere kürzlich veröffentlichte Patentanmeldung präsentiert eine umfassende Lösung für diese Herausforderung – ein modernes, modulares EKG-Analysesystem, das auf künstlicher Intelligenz basiert.
Im Kern besteht das System aus einer Reihe zusammenarbeitender Module, die jeweils für eine bestimmte Phase der Analyse verantwortlich sind. Gemeinsam verbessern sie die R-Zacken-Erkennung und die QRS-Klassifikation in multikanaligen Holter-Aufzeichnungen erheblich, indem sie die Kanäle intelligent auf Basis ihrer Signalqualität verwalten.
Alles beginnt mit der automatischen Bewertung der Signalqualität. Dieses Modul, das auf einem großen Datensatz manuell annotierter EKG-Aufzeichnungen trainiert wurde, erkennt sowohl kurze Artefakte als auch längere Abschnitte mit schlechter Signalqualität zuverlässig – und das für jeden Kanal separat.
Anschließend folgt das intelligente Kanalmanagement. Das System entscheidet kontinuierlich, welche Kanäle und Zeitabschnitte ausreichend zuverlässig sind und welche ignoriert werden sollten. Durch die Fokussierung auf hochwertige Daten wird die Robustheit der Analyse verbessert – selbst in Situationen, in denen nur ein einzelner Kanal nutzbar ist.
Die R-Zacken-Erkennung baut auf dieser Grundlage auf. Basierend auf einer angepassten Version des Pan-Tompkins-Algorithmus für multikanalige Daten nutzt sie ausschließlich die als hochwertig identifizierten Signalabschnitte. Die Erkennung ist bewusst auf eine sehr hohe Sensitivität ausgelegt, sodass alle potenziellen Herzschläge erfasst werden – auch auf Kosten zusätzlicher falsch-positiver Ergebnisse, die später im Analyseprozess behandelt werden.
Abschließend führt das QRS-Klassifikationsmodul alle Informationen zusammen. Es kombiniert Daten aus dem Kanalmanagement und der R-Zacken-Erkennung. Neben den Standardklassen von Herzschlägen (normal, ventrikulär und supraventrikulär) wird eine dynamisch erzeugte Kategorie eingeführt: „non-QRS“. Diese Klasse repräsentiert fälschlich erkannte R-Zacken und ermöglicht es dem System, Erkennungsfehler adaptiv und datenbasiert zu reduzieren.
Reale klinische Auswirkungen
Das Ergebnis ist eine klare und messbare Verbesserung: weniger Fehlklassifikationen, weniger übersehene Herzschläge und insgesamt eine zuverlässigere Analyse. In der Praxis führt dies zu einer genaueren Berechnung zentraler diagnostischer Parameter wie der Herzfrequenzvariabilität (HRV), der Arrhythmieerkennung und der Identifikation ektoper Schläge – selbst bei verrauschten Kanälen.