Digitale Kardiologie

Digitale Kardiologie und Künstliche Intelligenz (DKKI)

Kurzbeschreibung der Arbeitsgruppe

Die Arbeitsgruppe entwickelt digitale Strategien, um Diagnostik, Therapie und Nachsorge bei Herz-Kreislauf-Erkrankungen zu personalisieren und zu vereinfachen. Im Mittelpunkt steht die Verbindung moderner Datenwissenschaften in Verbindung mit modernen Aufwendigen Diagnostik-Tools wie Multi-Omics Ansätzen. Ziel ist die Verbesserung der klinischen Entscheidungsfindung und Risikostratifikation für den einzelnen Patienten.

Ein Schwerpunkt liegt auf der Entwicklung KI-gestützter Diagnostik. Mit dem Projekt E-PREDICT-HFpEF wird untersucht, ob maschinelles Lernen auf Basis einfacher Routinedaten, insbesondere des 12-Kanal-EKG, eine frühe Identifikation der Herzinsuffizienz mit erhaltener Ejektionsfraktion (HFpEF) ermöglichen kann. Ziel ist es, die komplexe Diagnostik dieser Erkrankung zu vereinfachen und für breite klinische Anwendung verfügbar zu machen.

Darüber hinaus werden multimodale Datensätze aus Bildgebung, Biomarkeranalysen und Proteomik integriert, um individuelle Krankheitsmuster zu erkennen und die Wirksamkeit von Therapien vorherzusagen. Diese Erkenntnisse fließen in digitale Entscheidungsunterstützungssysteme ein, die eine präzisere Patientenauswahl, Therapielenkung und Verlaufskontrolle erlauben.

Langfristiges Ziel ist es, digitale Technologien und künstliche Intelligenz in die klinische Routine zu integrieren, um eine präzisere, effizientere und patientenzentrierte kardiovaskuläre Medizin zu ermöglichen.

Forschungsschwerpunkte

  • Digitale Diagnostik: Entwicklung und Validierung KI-gestützter Verfahren zur Identifikation von Herzinsuffizienzformen aus Routine-Daten, beispielsweise EKG-basiertes Screening von HFpEF.
  • Präzisionsmedizin durch maschinelles Lernen: Nutzung komplexer Datenstrukturen (Bildgebung, Biomarker, Proteomik), um individuelle Risikoprofile und Therapieansprechen vorherzusagen.
  • Translation in die klinische Praxis: Integration von KI-Modellen in klinische Workflows zur Entscheidungsunterstützung und Entwicklung digitaler Tools, die Ärztinnen und Ärzte im Alltag entlasten.
  • Identifikation von biologischen Mustern in größeren Patientenkohorten und reverse Translation in den Grundlagenwissenschaftlichen Bereich zur Identifikation neuer Pathomechanistischer Prozesse

Translationale Zielsetzung

Auf translationaler Ebene werden KI-basierte Erkenntnisse in präklinische Modelle zurückgespiegelt, um molekulare Zielstrukturen und pathophysiologische Mechanismen zu validieren. Durch die Verknüpfung von multidimensionalen biologischen Daten mit maschinellen Lernlösungen entsteht so eine bidirektionale Forschungsplattform, die sowohl neue therapeutische Targets als auch klinisch relevante Modelle informativ unterstützt.

Digitale Kardio

Kooperationspartner

  • MYOVASC und Gutenberg Health Study Mainz (Prof. Wild)
  • LIFE Leipzig (Prof. Thiery)
  • Max-Delbrück-Center Berlin (Prof. Schiattarella)
  • DCAI Core Curriculum

Mitglieder der Arbeitsgruppe

PD Dr. med. Karl-Patrik Kresoja

PD Dr. med. Karl-Patrik Kresoja

Interventionelle Kardiologie
stellv. Leitung Klinisches Studienzentrum

Dr. med. Alexander Schuch

Dr. med. Alexander Schuch

Assistenzarzt

Schlüsselpublikationen

  1. Unterhuber M*, Kresoja KP*, Rommel KP, Besler C, Baragetti A, Klöting N, Ceglarek U, Blüher M, Scholz M, Catapano AL, Thiele H, Lurz P. Proteomics-Enabled Deep Learning Machine Algorithms Can Enhance Prediction of Mortality. J Am Coll Cardiol. 2021 Oct 19;78(16):1621-1631.
  2. Kresoja KP*, Unterhuber M*, Wachter R, Rommel KP, Besler C, Shah S, Thiele H, Edelmann F, Lurz P. Treatment response to spironolactone in patients with heart failure with preserved ejection fraction: a machine learning-based analysis of two randomized controlled trialsEBioMedicine. 2023 Oct:96:104795. doi: 10.1016/j.ebiom.2023.104795
  3. Kresoja KP, Zeymer U, Thevathasan T, Rassaf T, Jung C, Pöss J, Schneider S, Desch S, Freund A, Thiele H. The Influence of Extracorporeal Life Support on Patients in Cardiogenic Shock Assessed by Machine Learning: A Machine Learning Subanalysis From the ECLS-SHOCK Trial. JACC Cardiovasc Interv. 2025 Jan 27;18(2):273-275. doi: 10.1016/j.jcin.2024.10.043.
  4. Kresoja KP, Unterhuber M, Wachter R, Thiele H, Lurz P. A cardiologist's guide to machine learning in cardiovascular disease prognosis prediction. Basic Res Cardiol. 2023 Mar 20;118(1):10.
  5. Kresoja KP, Schöber AR, Lüscher T, Thevathasan T, Lurz P, Papoutsis K, Baldus S, Blankenberg S, Hinkel R, Thiele H. Performance of artificial intelligence-generated vs human-authored abstracts in a real-world setting. Eur Heart J. 2025 Aug 30:ehaf654. doi: 10.1093/eurheartj/ehaf654.