While fundamental aspects of the application of artificial intelligence (AI) to electrocardiogram (ECG) analysis were discussed in part 1 of this review, the present work (part 2) provides a review of recent studies on the practical application of this new technology. The number of published articles on the topic of AI-based ECG analysis has been increasing rapidly since 2017. This is especially true for studies that use deep learning (DL) with artificial neural networks. The aim is not only to overcome the weaknesses of classical ECG diagnostics, but also to extend the functionality of the ECG. This involves the detection of cardiological and noncardiological diseases and the prediction for clinical events, e.g., the future development of left ventricular dysfunction and future clinical manifestation of atrial fibrillation. This is made possible by AI using DL to find subclinical patterns in giant ECG datasets and using them for algorithm development. AI-assisted ECG analysis is becoming a screening tool; it goes far beyond just being “better” than a cardiologist. The progress that has been made is remarkable and is generating much attention and also euphoria among experts and the public. However, most studies are proof-of-concept studies. Often, private (institution-owned) data are used, the quality of which is unclear. To date, clinical validation of the developed algorithms in other collectives and scenarios has been rare. Particularly problematic is that the way AI finds a solution so far mostly remains hidden from humans (black-box character of AI). Overall, AI-based electrocardiography is still in its infancy. However, it is already foreseeable that the ECG, as a diagnostic procedure that is easy to use and can be repeated as often as desired, will not only continue to be indispensable in the future, but will also gain in clinical importance.
Während grundlegende Aspekte der Anwendung von künstlicher Intelligenz (KI) zur Elektrokardiogramm(EKG)-Analyse in Teil 1 dieser Übersicht behandelt wurden, beschäftigt sich die vorliegende Arbeit (Teil 2) mit einer Besprechung von aktuellen Studien zum praktischen Einsatz dieser neuen Technologien und Aspekte ihrer aktuellen und möglichen zukünftigen Anwendung. Die Anzahl der zum Thema KI-basierte EKG-Analyse publizierten Studien steigt seit 2017 rasant an. Dies gilt vor allem für Untersuchungen, die Deep Learning (DL) mit künstlichen neuronalen Netzen (KNN) einsetzen. Inhaltlich geht es nicht nur darum, die Schwächen der klassischen EKG-Diagnostik mit Hilfe von KI zu überwinden und die diagnostische Güte des Verfahrens zu verbessern, sondern auch die Funktionalität des EKGs zu erweitern. Angestrebt wird die Erkennung spezieller kardiologischer und nichtkardiologischer Krankheitsbilder sowie die Vorhersage zukünftiger Krankheitszustände, z. B. die zukünftige Entwicklung einer linksventrikulären Dysfunktion oder das zukünftige Auftreten von Vorhofflimmern. Möglich wird dies, indem KI mittels DL in riesigen EKG-Datensätzen subklinische Muster findet und für die Algorithmen-Entwicklung nutzt. Die KI-unterstützte EKG-Analyse wird somit zu einem Screening-Instrument und geht weit darüber hinaus, nur besser als ein Kardiologe zu sein. Die erzielten Fortschritte sind bemerkenswert und sorgen in Fachwelt und Öffentlichkeit für Aufmerksamkeit und Euphorie. Bei den meisten Studien handelt es sich allerdings um Proof-of-Concept-Studien. Häufig werden private (institutionseigene) Daten verwendet, deren Qualität unklar ist. Bislang ist nur selten eine klinische Validierung der entwickelten Algorithmen in anderen Kollektiven und Szenarien erfolgt. Besonders problematisch ist, dass der Weg, wie KI eine Lösung findet, bislang meistens verborgen bleibt (Blackbox-Charakter). Damit steckt die KI-basierte Elektrokardiographie noch in den Kinderschuhen. Unbestritten ist aber schon absehbar, dass das EKG als einfach anzuwendendes und beliebig oft wiederholbares diagnostisches Verfahren auch in Zukunft nicht nur weiterhin unverzichtbar sein wird, sondern durch KI an klinischer Bedeutung gewinnen wird.
