Verfahren der künstlichen Intelligenz – eine Perspektive für die kardiovaskuläre Telemedizin?

Meike Hiddemann; Kerstin Köhler; Wilhelm Haverkamp; Juliane Köhler; Maximilian Bauser; Friedrich Köhler

doi:10.1055/a-2593-7851

DMW - Deutsche Medizinische Wochenschrift, Inhaltsverzeichnis

Dtsch Med Wochenschr 2025; 150(19): 1135-1142
DOI: 10.1055/a-2593-7851

Dossier

Verfahren der künstlichen Intelligenz – eine Perspektive für die kardiovaskuläre Telemedizin?

Artificial Intelligence Methods – a Perspective for Cardiovascular Telemedicine?

Meike Hiddemann

¹Arbeitsbereich Kardiovaskuläre Telemedizin, Deutsches Herzzentrum der Charité, Berlin, Deutschland (Ringgold ID: RIN14929)

²Corporate Member of Freie Universität Berlin and Humboldt-Universität zu Berlin, Charité Universitätsmedizin Berlin, Berlin, Deutschland (Ringgold ID: RIN14903)

,

Kerstin Köhler

³Corporate Member of Freie Universität Berlin and Humboldt-Universität zu Berlin, Charité Universitätsmedizin Berlin, Berlin, Deutschland (Ringgold ID: RIN14903)

⁴Arbeitsbereich Kardiovaskuläre Telemedizin, Deutsches Herzzentrum der Charité, Berlin, Deutschland (Ringgold ID: RIN14929)

⁵Klinik für Kardiologie, Angiologie und Intensivmedizin, Deutsches Herzzentrum der Charité, Berlin, Deutschland (Ringgold ID: RIN14929)

,

Wilhelm Haverkamp

⁵Klinik für Kardiologie, Angiologie und Intensivmedizin, Deutsches Herzzentrum der Charité, Berlin, Deutschland (Ringgold ID: RIN14929)

⁶Corporate Member of Freie Universität Berlin and Humboldt-Universität zu Berlin, Charité Universitätsmedizin Berlin, Berlin, Deutschland (Ringgold ID: RIN14903)

,

Juliane Köhler

⁷Institut für Kommunikationswissenschaft und Medienforschung (IfKW), Ludwig-Maximilians-Universität München, München

,

Maximilian Bauser

⁸Department Klinische Forschung und Epidemiologie, Deutsches Zentrum für Herzinsuffizienz (DZHI), Universitätsklinikum Würzburg, Würzburg

⁹Medizinische Klinik und Poliklinik I, Kardiologie, Universitätsklinikum Würzburg, Würzburg

,

Friedrich Köhler

⁶Corporate Member of Freie Universität Berlin and Humboldt-Universität zu Berlin, Charité Universitätsmedizin Berlin, Berlin, Deutschland (Ringgold ID: RIN14903)

¹⁰Arbeitsbereich Kardiovaskuläre Telemedizin, Deutsches Herzzentrum der Charité, Berlin, Deutschland (Ringgold ID: RIN14929)

⁵Klinik für Kardiologie, Angiologie und Intensivmedizin, Deutsches Herzzentrum der Charité, Berlin, Deutschland (Ringgold ID: RIN14929)

› Institutsangaben

Abstract

Aktuell werden in der kardiovaskulären Telemedizin nur vereinzelt Anwendungen mit künstlicher Intelligenz (KI) in der Regelversorgung verwendet. KI-Anwendungen könnten jedoch helfen, die Vorhersagegenauigkeit der etablierten telemedizinischen Sensorik durch Mustererkennung unter Einbeziehung multipler Datenquellen zu verbessern. Zudem befinden sich KI-basierte Biomarker wie beispielsweise Stimmanalyse in der Entwicklung, die in der telemedizinischen Sensorik eingesetzt werden sollen.

Abstract

Since 2022, an estimated 150000 to 200000 patients with heart failure (HF) in Germany have met the inclusion criteria for HF telemonitoring in accordance with the Federal Joint Committee's (G-BA) decision. Currently, only a few artificial intelligence (AI) applications are used in standard cardiovascular telemedicine care. However, AI applications could improve the predictive accuracy of existing telemedical sensor technology by recognising patterns across multiple data sources. AI-based biomarkers are also being developed for use in telemedical sensor technology. Voice analysis to recognise pulmonary congestion appears to be a promising approach. In the future, AI-based decision support systems could help optimise the diagnostic process in telemedicine centres. Large language models offer the potential to support the diagnostic process. The European Union's AI regulation has established the first framework for testing new AI-based technologies in healthcare. Real-world laboratories provide an opportunity to research innovative technologies in a protected environment.

Schlüsselwörter

Telemedizin - Herzinsuffizienz - Biomarker - Stimmanalyse - künstliche Intelligenz - Reallabore

Keywords

telemedicine - artificial intelligence - heart failure - biomarker - Voice analysis - real-world laboratories

Volltext

Referenzen

Literatur
1 Scholte NTB, Gürgöze MT, Aydin D. et al. Telemonitoring for heart failure: a meta-analysis. Eur Heart J 2023; 44 (31) 2911-2926
2 Koehler F, Koehler K, Deckwart O. et al. Efficacy of telemedical interventional management in patients with heart failure (TIM-HF2): a randomised, controlled, parallel-group, unmasked trial. Lancet 2018; 392: 1047-1057
3 Gemeinsamer Bundesausschusses. Richtlinie Methoden vertragsärztliche Versorgung: Telemonitoring bei Herzinsuffizienz. BAnz AT 30.03.2021 B4. Zugriff am 14. Juli 2025 unter: https://www.g-ba.de/beschluesse/4648/
4 Römmelt C, Hiddemann M, Köhler K. et al. Verfahren der künstlichen Intelligenz – eine Perspektive für die kardiovaskuläre Telemedizin?. Aktuelle Kardiologie 2023; 12 (06) 475-481
5 Kerwagena F, Störka S, Koehler K et al. et al. Rurality, travel distance, and effectiveness of remote patient management in patients with heart failure in the TIM-HF2 trial in Germany: a pre-specified analysis of an open-label, randomised controlled trial. Lancet 2025; 54: 101321
6 Koehler F, Hindricks G. Is telemonitoring for heart failure ready after a journey longer than two decades?. Eur Heart J 2023; 44 (31) 2927-2929
7 Hinrichs N, Meyer A, Koehler K. et al. Artificial intelligence based real-time prediction of imminent heart failure hospitalisation in patients undergoing non-invasive telemedicine. Front Cardiovasc Med 2024; 11: 1457995
8 Abraham JD, Abraham WT. Remote monitoring in heart failure: artificial intelligence and the use of remote speech analysis to detect worsening heart failure events. Heart Fail Rev 2025. Online ahead of print.
9 Haverkamp W, Strodthoff N. Durch künstliche Intelligenz verstärkte Elektrokardiographie : Wird sie Diagnostik und Management unserer Patienten revolutionieren?. Herzschrittmacherther Elektrophysiol 2024; 35: 104-110
10 Ose B, Sattar Z, Gupta A. et al. Artificial Intelligence Interpretation of the Electrocardiogram: A State-of-the-Art Review. Curr Cardiol Rep 2024; 26 (06) 561-580
11 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. The Lancet 2022; 400: 1206-1212
12 Attia ZI, Kapa S, Lopez-Jimenez F. et al. Screening for cardiac contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med 2019; 25 (01) 70-74
13 Lee E, Ito S, Miranda WR. et al. Artificial intelligence-enabled ECG for left ventricular diastolic function and filling pressure. NPJ Digit Med 2024; 7 (01) 4
14 Bundesärztekammer (BÄK), Kassenärztliche Bundesvereinigung (KBV), Arbeitsgemeinschaft der Wissenschaftlichen Medizinischen Fachgesellschaften (AWMF). Nationale VersorgungsLeitlinie Chronische Herzinsuffizienz – Langfassung. Version 4.0. 2023. Zugriff am 14. Juli 2025 unter: https://register.awmf.org/de/leitlinien/detail/nvl-006
15 GKV-Spitzenverband. Entscheidungserhebliche Gründe gemäß § 135 Abs. 2 Satz 8 SGB V zur Vereinbarung von Qualitätssicherungsmaßnahmen nach § 135 Abs. 2 SGB V zum Telemonitoring bei Herzinsuffizienz (Qualitätssicherungsvereinbarung TmHi). Zugriff am 14. Juli 2025 unter: https://www.gkv-spitzenverband.de/media/dokumente/krankenversicherung_1/aerztliche_versorgung/qualitaetssicherung/qualitaetssicherung_1/entscheidung_gruende/2023–03–17_QS-V_TmHi_eeG_Veroeffentlichung.pdf
16 Hecker P, Steckhan N, Eyben F. et al. Voice Analysis for Neurological Disorder Recognition-A Systematic Review and Perspective on Emerging Trends. Front Digit Health 2022; 4: 842301
17 Wroge T, Özkanca Y, Demiroglu C. et al. Parkinson’s Disease Diagnosis Using Machine Learning and Voice. Conference: 2018 IEEE Signal Processing in Medicine and Biology SymposiumAt: Philadelphia, PA.
18 Rajasekar SJS, Saleem M, Kannan N. et al. Artificial Intelligence Powered Audiomics: The Futuristic Biomarker in Pulmonary Medicine – A State-of-the-Art Review. Stud Health Technol Inform 2025; 327: 884-885
19 Bauser M, Kraus F, Koehler F. et al. Voice Assessment and Vocal Biomarkers in Heart Failure: A Systematic Review. Circ Heart Fail 2025; e012303
20 Firmino JV, Melo M, Salemi V. et al. Heart failure recognition using human voice analysis and artificial intelligence. Evol Intel 2023; 16: 1-13
21 Kiran Reddy M, Helkkula P, Madhu Keerthana Y. et al. The automatic detection of heart failure using speech signals. Computer Speech & Language 2021; 69: 101205
22 Reddy K, Alku P. A Comparison of Cepstral Features in the Detection of Pathological Voices by Varying the Input and Filterbank of the Cepstrum Computation. IEEE Access 2021;1–1.
23 Maor E, Perry D, Mevorach D. et al. Vocal Biomarker Is Associated With Hospitalization and Mortality Among Heart Failure Patients. J Am Heart Assoc 2020; 9 (07) e013359
24 BfArM. Telemedical Interventional Management in Heart Failure III (TIM-HF3): Sammlung telemedizinischer Daten von Patient:innen mit chronischer Herzinsuffizienz für eine post-hoc-Analyse eines KI- Ansatzes zur Vitaldatenprozessierung. Zugriff am 15. Juli 2025 unter: https://drks.de/search/en/trial/DRKS00028195
25 Maor E, Sara JD, Orbelo DM. et al. Voice Signal Characteristics Are Independently Associated With Coronary Artery Disease. Mayo Clinic Proceedings 2018; 93 (07) 840-847
26 Golovchiner G, Glikson M, Swissa M. et al. Automated detection of atrial fibrillation based on vocal features analysis. J Cardiovasc Electrophysiol 2022; 33 (08) 1647-1654
27 Mesleh A, Skopin D, Baglikov S. et al. Heart Rate Extraction from Vowel Speech Signals. J. Comput Sci Technol 2012; 27: 1243-1251
28 James AP. Heart rate monitoring using human speech spectral features. Hum Cent Comput Inf Sci 2015; 5 (01) 33
29 Ploux S, Strik M, Ramirez FD. et al. Remote management of worsening heart failure to avoid hospitalization in a real-world setting. ESC Heart Fail 2023; 10 (06) 3637-3645
30 Zernikow J, Grassow L, Gröschel J. et al. Anwendung von „large language models“ in der KlinikClinical application of large language models: Ersetzt ChatGPT die Arztbrieferstellung? Ein ErfahrungsberichtDoes ChatGPT replace medical report formulation? An experience report. Innere Medizin 2023; 64
31 Weicken E, Mittermaier M, Hoeren T. et al. Focus: artificial intelligence in medicine-Legal aspects of using large language models in clinical practice. Innere Medizin 2025; 66
32 Europäische Kommission. Verordnung (EU) 2024/1689 zur Festlegung harmonisierter Vorschriften für künstliche Intelligenz. 2024 Zugriff am 15. Juli 2025 unter: https://digital-strategy.ec.europa.eu/de/policies/regulatory-framework-ai
33 Deutscher Bundestag. Rahmenbedingungen für Reallabore sollen verbessert werden. Zugriff am 15. Juli 2025 unter: https://www.bundestag.de/dokumente/textarchiv/2025/kw21-de-reallabore-1075222
34 Bundesministerium für Wirtschaft und Energie. Reallabore- Innovationsportal. Zugriff am 15. Juli 2025 unter: https://www.reallabore-innovationsportal.de/
35 Wrazen W, Gontarska K, Grzelka F. et al. Explainable AI for Medical Event Prediction for Heart Failure Patients. Lecture Notes in Computer Science 2023; 13897: 97-107