Download PDF
Aktuelle Kardiologie 2025; 14(03): 216-220
DOI: 10.1055/a-2566-7133
Kurzübersicht

Update: künstliche Intelligenz im klinischen Alltag 2025

Update: Artificial Intelligence in Everyday Clinical Practice in 2025
Barbara Ruth Milles
1   Klinik für Kardiologie, Angiologie und Pneumologie, Institut für Cardiomyopathien Heidelberg, UniversitätsKlinikum Heidelberg, Heidelberg, Deutschland (Ringgold ID: RIN27178)
,
Peter Radke
2   Klinik für Innere Medizin und Kardiologie, Schön Klinik Neustadt, Neustadt in Holstein, Deutschland (Ringgold ID: RIN40597)
,
Benjamin Meder
1   Klinik für Kardiologie, Angiologie und Pneumologie, Institut für Cardiomyopathien Heidelberg, UniversitätsKlinikum Heidelberg, Heidelberg, Deutschland (Ringgold ID: RIN27178)
› Author Affiliations
› Further Information
Also available at
   Permissions and Reprints

Zusammenfassung

Künstliche Intelligenz (KI) hat sich in den letzten Jahren in unserem Alltag etabliert, z. B. über Sprachassistenten im Handy oder als Chatbot bei einer Terminreservierung. Auch in der kardiovaskulären Medizin überschlagen sich die Meldungen zur Anwendung von künstlicher Intelligenz und Machine Learning (ML). Allein für das Jahr 2024 gibt es bei PubMed über 2000 Ergebnisse unter dem Stichwort „AI in cardiovascular Medicine“. In diesem Artikel sollen einige der neuesten Entwicklungen und Anwendungen von künstlicher Intelligenz in der Kardiologie aus den Bereichen Elektrophysiologie, Bildgebung und Risikostratifikation beleuchtet werden.

Abstract

Artificial intelligence (AI) has established itself in our everyday lives in recent years, e.g. via voice assistants in our mobile phones or as a chatbot when booking an appointment. Reports on the use of artificial intelligence and machine learning (ML) are also coming thick and fast in cardiovascular medicine. For the year 2024 alone, PubMed has over 2000 results under the keyword ‘AI in cardiovascular medicine’. This article will highlight some of the latest developments and applications of artificial intelligence in cardiology in the fields of electrophysiology, imaging and risk stratification.

Was ist wichtig?

  • Künstliche Intelligenz (KI) verändert zunehmend die kardiologische Diagnostik – von der EKG-Auswertung über die Echokardiografie bis hin zur Bildgebung und Risikostratifikation.

  • Hervorzuheben ist, dass KI nicht nur Routinetätigkeiten automatisieren kann, sondern auch neue diagnostische Möglichkeiten eröffnet – etwa durch die Erkennung subtiler Risikomuster oder die verbesserte Zugänglichkeit qualitativ hochwertiger Diagnostik.

  • Gleichzeitig bleibt der kritische Umgang mit KI essenziell, um Überanpassung („Overfitting“) zu vermeiden und die Ergebnisse einordnen zu können.

  • Die Integration von KI darf ärztliches Urteil und patientenzentrierte Kommunikation nicht ersetzen, sondern soll sie sinnvoll ergänzen.

Schlüsselwörter

künstliche Intelligenz - klinischer Alltag - Update

Keywords

artificial intelligence - update - clinical everyday life


Publication History

Article published online:
02 June 2025

© 2025. Thieme. All rights reserved.

Georg Thieme Verlag KG
Oswald-Hesse-Straße 50, 70469 Stuttgart, Germany

 

  • Literatur

  • 1 Armoundas AA, Narayan SM, Arnett DK. et al. Use of Artificial Intelligence in Improving Outcomes in Heart Disease: A Scientific Statement From the American Heart Association. Circulation 2024; 149: e1028-e1050
    CrossrefPubMedSearch in Google Scholar
  • 2 Lüscher TF, Wenzl FA, D’Ascenzo F. et al. Artificial intelligence in cardiovascular medicine: clinical applications. Eur Heart J 2024; 45: 4291-4304
    CrossrefPubMedSearch in Google Scholar
  • 3 Guglin ME, Thatai D. Common errors in computer electrocardiogram interpretation. Int J Cardiol 2006; 106: 232-237
    CrossrefPubMedSearch in Google Scholar
  • 4 Hannun AA, Rajpurkar PA, Haghpanahi M. et al. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network. Nat Med 2019; 25: 65-69
    CrossrefPubMedSearch in Google Scholar
  • 5 Yao X, Rushlow DR, Inselman JW. et al. Artificial intelligence-enabled electrocardiograms for identification of patients with low ejection fraction: a pragmatic, randomized clinical trial. Nat Med 2021; 27: 815-819
    CrossrefPubMedSearch in Google Scholar
  • 6 Cohen-Shelly M, Attia ZI, Friedman PA. et al. Electrocardiogram screening for aortic valve stenosis using artificial intelligence. Eur Heart J 2021; 42: 2885-2896
    CrossrefPubMedSearch in Google Scholar
  • 7 Herman R, Meyers HP, Smith SW. et al. International evaluation of an artificial intelligence–powered electrocardiogram model detecting acute coronary occlusion myocardial infarction. Eur Heart J Digit Health 2024; 5: 123-133
    CrossrefPubMedSearch in Google Scholar
  • 8 Noseworthy PA, Attia ZI, Behnken EM. et al. Artificial intelligence-guided screening for atrial fibrillation using electrocardiogram during sinus rhythm: a prospective non-randomised interventional trial. Lancet 2022; 400: 1206-1212
    CrossrefPubMedSearch in Google Scholar
  • 9 Khurshid S, Friedman S, Reeder C. et al. ECG-Based Deep Learning and Clinical Risk Factors to Predict Atrial Fibrillation. Circulation 2022; 145: 122-133
    CrossrefPubMedSearch in Google Scholar
  • 10 Healey JS, Lopes RD, Granger CB. et al. Apixaban for Stroke Prevention in Subclinical Atrial Fibrillation. N Engl J Med 2024; 390: 107-117
    CrossrefPubMedSearch in Google Scholar
  • 11 Al-Zaiti SS, Alghwiri AA, Hu X. et al. A clinician’s guide to understanding and critically appraising machine learning studies: a checklist for Ruling Out Bias Using Standard Tools in Machine Learning (ROBUST-ML). Eur Heart J Digit Health 2022; 3: 125-140
    CrossrefPubMedSearch in Google Scholar
  • 12 Papadopoulou SL, Dionysopoulos D, Mentesidou V. et al. Artificial intelligence-assisted evaluation of cardiac function by oncology staff in chemotherapy patients. Eur Heart J Digit Health 2024; 5: 278-287
    CrossrefPubMedSearch in Google Scholar
  • 13 Breitbart P, Körber MI, Schächinger V. et al. Positionspapier Kardiologische Weiterbildung in Deutschland – vom Status quo zu bevorstehenden Herausforderungen und Lösungsvisionen. Kardiologie 2025; 19: 7-21
    CrossrefPubMedSearch in Google Scholar
  • 14 Williams MC, Shanbhag AD, Zhou J. et al. Automated vessel-specific coronary artery calcification quantification with deep learning in a large multi-centre registry. Eur Heart J Cardiovasc Imaging 2024; 25: 976-985
    CrossrefPubMedSearch in Google Scholar
  • 15 Lin A, Manral N, McElhinney P. et al. Deep learning-enabled coronary CT angiography for plaque and stenosis quantification and cardiac risk prediction: an international multicentre study. Lancet Digit Health 2022; 4: e256-e265
    CrossrefPubMedSearch in Google Scholar
  • 16 Koo BK, Yang S, Jung JW. et al. Artificial Intelligence-Enabled Quantitative Coronary Plaque and Hemodynamic Analysis for Predicting Acute Coronary Syndrome. JACC Cardiovasc Imaging 2024; 17: 1062-1076
    CrossrefPubMedSearch in Google Scholar
  • 17 Cau R, Flanders A, Mannelli L. et al. Artificial intelligence in computed tomography plaque characterization: A review. Eur J Radiol 2021; 140: 109767
    CrossrefPubMedSearch in Google Scholar
  • 18 Bennani S, Regnard NE, Ventre J. et al. Using AI to Improve Radiologist Performance in Detection of Abnormalities on Chest Radiographs. Radiology 2023; 309: e230860
    CrossrefPubMedSearch in Google Scholar
  • 19 Wenzl FA, Kraler S, Ambler G. et al. Sex-specific evaluation and redevelopment of the GRACE score in non-ST-segment elevation acute coronary syndromes in populations from the UK and Switzerland: a multinational analysis with external cohort validation. Lancet 2022; 400: 744-756
    CrossrefPubMedSearch in Google Scholar
  • 20 Tao T, Palepu A, Schaekermann M. et al. Towards Conversational Diagnostic AI. arXiv 2024; 2401.05654
    CrossrefPubMedSearch in Google Scholar
  • 21 Lenharo M. Google AI has better bedside manner than human doctors – and makes better diagnoses. Nature 2024; 625: 643-644
    CrossrefPubMedSearch in Google Scholar