Kardiologie hochpräzise Risikomodelle

In der Schweizer Kardiologie – allen voran an der Universität Zürich (UZH) und dem Universitätsspital Zürich (USZ) – findet aktuell ein Paradigmenwechsel statt. Weg von „One-size-fits-all“-Scores, hin zu hochpräzisen, KI-gestützten Risikomodellen.

Aktueller Stand der Forschung (Stand Februar 2026):

  1. Der neue Goldstandard: GRACE 3.0

Das wohl bedeutendste Projekt der UZH-Forscher um Florian A. Wenzl und Thomas F. Lüscher ist die Weiterentwicklung des herkömmlichen Risiko-Scores zum sogenannten GRACE 3.0.

  • Die Datenbasis: Mit über 600.000 Patientendatensätzen aus zehn Ländern ist dies die weltweit größte Studie ihrer Art für das akute Koronarsyndrom (NSTE-ACS).
  • Die Technologie: Statt einfacher linearer Modelle nutzt GRACE 3.0 Machine Learning (Algorithmen wie XGBoost). Dadurch erkennt das Modell komplexe Muster, die menschlichen Augen oder klassischen Statistiken entgehen.
  • Präzision: Während alte Modelle oft ungenau waren, erreicht die neue KI eine Trefferquote (AUC) von 0,90 für die Sterblichkeit im Spital. Das bedeutet: Ärzte können viel genauer entscheiden, wer sofort einen Herzkatheter benötigt und bei wem ein abwartendes Vorgehen sicherer ist.
  1. Spezialfokus: Krebspatienten (ONCO-ACS)

Ein brandaktueller Durchbruch (Publikation in The Lancet, Januar 2026) ist der ONCO-ACS-Score. Krebspatienten wurden früher oft aus Herzstudien ausgeschlossen, obwohl sie ein extrem hohes Risiko für Komplikationen haben.

  • Das neue Tool der UZH kombiniert klassische Herzfaktoren mit krebsspezifischen Variablen (Tumortyp, Metastasen, Blutungsrisiko).
  • Es ermöglicht erstmals eine maßgeschneiderte Therapie für diese „vulnerable“ Gruppe, bei der Standard-Blutverdünner oft gefährliche Nebenwirkungen hätten.
  1. Geschlechterspezifische Medizin

Die UZH-Forschung hat maßgeblich dazu beigetragen, die „Gender-Gap“ in der Kardiologie zu schließen. Herkömmliche Modelle unterschätzten oft das Risiko bei Frauen, da sie häufiger untypische Symptome zeigen (z. B. Oberbauchschmerzen statt Brustenge). Die neuen KI-Modelle der UZH sind darauf trainiert, diese Unterschiede biologisch korrekt zu gewichten, was die Sterblichkeitsrate bei Patientinnen nachweislich senkt.

Vergleich: Traditionell vs. Modern

Merkmal

Traditionelle Methoden (z.B. GRACE 2.0)

Neue UZH-Modelle (KI/Big Data)

Datenbasis

Statische Tabellen, kleine Kollektive

Dynamische Datenbanken (> 600k Fälle)

Variablen

Meist < 10 Faktoren (Alter, Blutdruck, etc.)

Berücksichtigt hunderte Parameter & Interaktionen

Zielgruppe

Durchschnittspatient

Hoch-individuell (inkl. Krebs, Alter, Geschlecht)

Genauigkeit

„Gut genug“ für Leitlinien

Übertrifft Experten-Einschätzungen deutlich

Warum die Schweiz hier führend ist

Die Schweiz profitiert von der engen Vernetzung zwischen der ETH Zürich (Datenwissenschaften) und der UZH/USZ (Klinik). Zudem bietet die hohe Qualität der medizinischen Dokumentation in der Schweiz („Swissheart-Register“) eine perfekte Spielwiese für Big-Data-Analysen.

In der modernen Kardiologie, wie sie an der Universität Zürich (UZH) vorangetrieben wird, verschmelzen klinische Expertise und Informatik zu einer Präzisionsmedizin, die weit über das Abhaken von Risikofaktoren hinausgeht.

Wie diese Modelle technologisch funktionieren und wie Sie dieses Wissen für Ihr persönliches Profil nutzen können.

1. Persönliche Anwendung: So nutzen Sie die neuen Erkenntnisse

Die Modelle der UZH sind primär als Clinical Decision Support Tools (Entscheidungshilfen für Ärzte) konzipiert. Dennoch können Sie diese aktiv in Ihre Gesundheitsvorsorge einbeziehen:

  • Der GRACE 3.0 Rechner: Falls Sie oder Angehörige wegen Brustschmerzen im Spital sind, ist dies das aktuelle Mass der Dinge. Unter grace-3.com ist der offizielle Rechner frei zugänglich. Er benötigt Daten wie Alter, Puls, Blutdruck und den Kreatininwert (Nierenfunktion).
  • Wichtige Parameter für das Arztgespräch: Fragen Sie Ihren Kardiologen gezielt nach der Anwendung von KI-Scores. Herkömmliche Scores (wie der alte SCORE2) unterschätzen oft das Risiko bei Frauen oder Menschen mit Vorerkrankungen. Erwähnen Sie explizit, wenn Sie eine Krebshistorie haben, da hier der neue ONCO-ACS-Score der UZH greift.
  • Prävention: Für die langfristige Vorsorge (bevor ein Infarkt passiert) arbeitet die Schweiz an Projekten wie dem Swiss Personalized Health Network. Hierbei werden Daten aus Smartwatches und Laborwerten kombiniert. Achten Sie auf klinische Studien am USZ, die Probanden für KI-gestützte Langzeit-Monitorings suchen.

2. Technologische Umsetzung: Was passiert „unter der Haube“?

Die Forscher (u.a. das Team um Florian Wenzl) haben den GRACE-Score von einer einfachen statistischen Formel in ein dynamisches Machine-Learning-Modell verwandelt.

Die Algorithmen

Statt linearer Regression nutzt die UZH vor allem XGBoost (Extreme Gradient Boosting).

  • Warum XGBoost? Medizinische Daten sind oft „unvollständig“ oder weisen komplexe Abhängigkeiten auf. XGBoost baut nacheinander hunderte kleine Entscheidungsbäume auf, wobei jeder Baum die Fehler des vorherigen korrigiert.
  • Nicht-Linearität: Klassische Scores gehen davon aus: „Höherer Blutdruck = proportional höheres Risiko“. Die KI erkennt jedoch, dass das Risiko bei bestimmten Kombinationen (z.B. moderater Blutdruck + leicht erhöhter Puls + weibliches Geschlecht) exponentiell ansteigen kann, was ein Mensch manuell kaum berechnen könnte.

Das neuronale Netzwerk für das Herz

Für die Analyse von Bilddaten (wie EKG-Kurven oder Herz-CTs) kommen Convolutional Neural Networks (CNNs) zum Einsatz. Diese „scannen“ das EKG nach minimalen Abweichungen im Millisekundenbereich, die für das menschliche Auge unsichtbar sind, aber statistisch sicher auf einen drohenden Infarkt hindeuten.

Daten-Integration (Multi-Modalität)

Das Besondere am UZH-Ansatz ist die Fusion verschiedener Datenquellen:

  1. Tabellarische Daten: Laborwerte, Alter, Medikation.
  2. Zeitreihen: Kontinuierliche EKG-Messungen.
  3. Genomik: Gelegentlich fließen genetische Marker ein, um das erbliche Risiko zu kalibrieren.

Technologie

Funktion im Modell

XGBoost

Vorhersage der Sterblichkeit basierend auf klinischen Werten.

SHAP-Values

Macht die KI „erklärbar“ – zeigt dem Arzt an, welcher Faktor (z.B. die Niere) das Risiko gerade dominiert.

Synthetic Data

Um den Datenschutz zu wahren, trainiert die UZH KI-Modelle oft an künstlichen, aber medizinisch identischen Datensätzen.

Hier sind die 8 entscheidenden Variablen, die das GRACE 3.0-Modell (entwickelt von den Forschern der UZH) nutzt, um das Risiko bei einem akuten Koronarsyndrom präzise zu berechnen.

Einige davon sind klassische Vitalparameter, andere spezifische Laborwerte, die Sie bei Ihrem nächsten Check-up oder einer Blutuntersuchung gezielt ansprechen können.

Die 8 Kernvariablen des GRACE 3.0

Variable

Was sie misst / Warum sie wichtig ist

1. Alter

Der stärkste biologische Prädiktor für Gefäßveränderungen.

2. Systolischer Blutdruck

Der „obere“ Wert. Er zeigt die Belastung der Gefäßwände und die Pumpleistung des Herzens.

3. Herzfrequenz (Puls)

Ein dauerhaft hoher Ruhepuls kann auf ein gestresstes Herz-Kreislauf-System hindeuten.

4. Kreatinin-Wert

Wichtigster Laborwert: Er misst die Nierenfunktion. Da Herz und Niere eng gekoppelt sind, ist ein schlechter Wert ein Warnsignal für das Herz.

5. ST-Strecken-Abweichung

Ein Befund aus dem EKG. Er zeigt an, ob der Herzmuskel aktuell unter akutem Sauerstoffmangel leidet.

6. Herzstillstand bei Aufnahme

(Klinischer Parameter) Zeigt die Schwere des akuten Ereignisses an.

7. Erhöhte Herzenzyme (Troponin)

Ein Protein, das nur bei Schäden am Herzmuskel ins Blut gelangt. Moderne „High-Sensitivity Troponin“-Tests sind hier Standard.

8. Killip-Klasse

Eine ärztliche Einschätzung (Grad 1–4), ob bereits Anzeichen einer Herzschwäche (z. B. Wasser in der Lunge) vorliegen.

Was Sie für Ihre nächste Untersuchung mitnehmen können

Obwohl der GRACE 3.0-Score primär für den Notfall (akuter Brustschmerz) optimiert wurde, liefert er wertvolle Hinweise für die allgemeine Vorsorge. Wenn Sie Ihre Werte beim Arzt besprechen, achten Sie besonders auf diese drei Punkte:

  1. Nieren-Check (Kreatinin/eGFR): Viele Patienten wissen nicht, dass ihre Niere ein direkter Spiegel ihrer Herzgesundheit ist. Bitten Sie darum, diesen Wert im Laborbericht kurz zu erläutern.
  2. Der „stille“ Puls: Messen Sie Ihren Ruhepuls morgens vor dem Aufstehen. Liegt er konstant über 80–90 Schlägen pro Minute, sollten Sie dies ansprechen, da dies im GRACE-Modell das Risiko deutlich erhöht.
  3. Geschlechtsspezifische Gewichtung: Da die UZH-Forscher herausgefunden haben, dass Frauen bei gleichen Werten oft anders reagieren, fragen Sie aktiv: „Wie sieht mein Risiko unter Berücksichtigung der neuesten geschlechtsspezifischen Erkenntnisse aus Zürich aus?“

Ein wichtiger Hinweis zur Einordnung

Der GRACE-Score ist ein dynamisches Tool. Die KI der UZH gewichtet diese 8 Faktoren je nach Patient unterschiedlich. So kann ein leicht erhöhter Kreatininwert bei einem älteren Patienten weniger kritisch sein als bei einem jüngeren – die KI erkennt diese Nuancen.

Social Share Buttons and Icons powered by Ultimatelysocial
LinkedIn
Share
WhatsApp
Copy link
URL has been copied successfully!