{"schema_version":"1.0","service":"Publicasta","type":"article","id":851,"slug":"sleep_study_ecg_deep_learning_cardiovascular_risk","title":"Das ungenutzte EKG-Signal einer Schlafstudie kann Herz-Kreislauf-Risiken sichtbar machen – mit wichtigen Einschränkungen","excerpt":"Eine neue Studie zeigt, dass Deep Learning ein einziges EKG-Signal aus einer nächtlichen Schlafuntersuchung nutzen kann, um spätere Risiken für Vorhofflimmern, Herzinsuffizienz und Tod einzuschätzen. Vielversprechend ist das Ergebnis dennoch noch kein klinisches Diagnose- oder Präventionsinstrument.","language":"de","default_language":"en","canonical_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=de","image":{"url":"https://publicasta.com/storage/projects/16/pages/851/2026/10/67a6a220-eb54-45c3-9136-64c0b94f6123.webp","alt":"Ein Patient wird nachts in einem Schlaflabor mit einer einzelnen EKG-Ableitung und sanft leuchtenden Monitoren untersucht."},"publisher":{"id":16,"slug":"good_tech_news","name":"Gute Tech-Nachrichten","url":"https://publicasta.com/good_tech_news"},"author":{"name":"Anton R"},"published_at":"2026-10-10T17:10:23+00:00","updated_at":"2026-10-10T17:10:23+00:00","content_markdown":"Eine Schlafuntersuchung kann bereits eine zweite Art von Information enthalten: nicht nur, wie jemand atmet und sich im Schlaf bewegt, sondern auch, wie sich das Herz über eine ganze Nacht verhält. Eine am 9. Oktober in *Sleep* veröffentlichte Studie berichtet, dass ein Deep-Learning-Modell einen einzelnen EKG-Kanal aus einer nächtlichen Polysomnografie zusammen mit den dokumentierten Schlafstadien nutzen kann, um Patientinnen und Patienten nach ihrem künftigen Risiko für mehrere Herz-Kreislauf-Ereignisse einzuordnen.\n\n ![Ein Patient wird nachts in einem Schlaflabor mit einer einzelnen EKG-Ableitung und sanft leuchtenden Monitoren untersucht.](https://publicasta.com/storage/projects/16/pages/851/2026/10/67a6a220-eb54-45c3-9136-64c0b94f6123.webp)\n\n Das Ergebnis ist deshalb interessant, weil das EKG-Signal bereits vorhanden ist. Das Modell benötigt weder ein neues Implantat noch eine spezielle Bildgebung oder einen Termin für ein Zwölf-Kanal-EKG in der Kardiologie. Es prüft, ob ein Signal, das für einen bestimmten klinischen Zweck aufgezeichnet wird, eine weitere Risikoschicht sichtbar machen kann. Für Vorhofflimmern, Herzinsuffizienz und die Gesamtmortalität fällt die Antwort in dieser Studie ermutigend aus. Für Herzinfarkt oder Schlaganfall ist sie deutlich weniger überzeugend, und die Untersuchung zeigt nicht, dass ein algorithmusgestütztes Vorgehen die Gesundheit von Menschen verbessert.\n\n Die praktische Idee ist damit bescheiden, aber relevant: Eine Schlafuntersuchung könnte künftig zu einer besseren Schnittstelle zwischen Schlafmedizin und kardiovaskulärer Versorgung werden.\n\n ## Was die Forschenden tatsächlich gemessen haben\n\n Die Polysomnografie ist eine ausführliche nächtliche Aufzeichnung zur Untersuchung von Erkrankungen wie obstruktiver Schlafapnoe und anderen Formen schlafbezogener Atmungsstörungen. Eine konventionelle Untersuchung erfasst mehrere Signale gleichzeitig: Hirnaktivität zur Bestimmung der Schlafstadien, Augenbewegungen, Muskelaktivität, Luftstrom, Atemanstrengung, Blutsauerstoff, Körperbewegungen und Herzrhythmus. Die technischen Empfehlungen der American Academy of Sleep Medicine führen EKG beziehungsweise Herzfrequenz als Standardaufzeichnungen bei der Beurteilung schlafbezogener Atemstörungen auf.\n\n In vielen klinischen Abläufen wird der EKG-Kanal allerdings vor allem genutzt, um den Rhythmus zu überwachen und die Schlafuntersuchung zu interpretieren. Für langfristige kardiovaskuläre Prognosen wird er normalerweise nicht systematisch ausgewertet. Die neue Studie behandelt diesen Kanal als fortlaufendes Protokoll der Reaktion des Herzens auf Veränderungen des Schlafstadiums, Weckreaktionen, Atemstörungen und Schwankungen der Sauerstoffsättigung.\n\n Das Team verwendete ein tiefes residuales neuronales Netzwerk mit Aufmerksamkeitsmechanismus. Zunächst extrahierte die Verarbeitungskette Merkmale aus dem Einkanal-EKG. Diese Merkmale wurden anschließend mit den von Fachleuten annotierten Schlafstadien kombiniert. Statt die Nacht auf eine einzige Zahl zu reduzieren, verarbeitete das System eine Folge kurzer EKG-Abschnitte und die jeweils zugehörigen Schlafstadien. Danach erzeugte es Werte, die mit dem späteren Auftreten von Vorhofflimmern, Schlaganfall, Myokardinfarkt, Herzinsuffizienz und Tod aus beliebiger Ursache verbunden waren.\n\n Diese Unterscheidung ist wichtig. Das System sollte keinen Herzinfarkt diagnostizieren, der gerade während der Nacht stattfindet. Es wurde darauf trainiert, Muster zu finden, die mit Ereignissen verbunden sind, die möglicherweise erst Jahre später eintreten. Damit handelt es sich um eine Studie zur Risikostratifizierung und nicht um einen Ersatz für ein diagnostisches EKG oder eine klinische Untersuchung.\n\n ## Drei Krankenhausdatensätze statt einer bequemen Stichprobe\n\n Das Modell wurde mit Schlafstudiendaten von 15.809 Patientinnen und Patienten am Massachusetts General Hospital feinjustiert. Anschließend testeten die Forschenden es in zwei unabhängigen Kohorten: mit 9.810 Personen am Emory University Hospital und mit 12.576 Personen am Beth Israel Deaconess Medical Center.\n\n Diese externe Validierung gehört zu den stärkeren Teilen des Berichts. Ein Modell kann besonders eindrucksvoll wirken, wenn es an Menschen geprüft wird, die den Trainingsdaten, den Dokumentationsgewohnheiten desselben Krankenhauses oder derselben technischen Ausstattung ähneln. Tests an anderen Einrichtungen stellen die Frage, ob das Signal ein allgemeineres biologisches Muster trägt und nicht nur einen lokalen Fingerabdruck.\n\n Die Ereignisse wurden aus elektronischen Gesundheitsakten abgeleitet, unter Verwendung von Diagnosecodes und verwandten klinischen Daten. Die Autorinnen und Autoren führten außerdem Sensitivitätsanalysen durch, darunter strengere Definitionen, bei denen in manchen Fällen mehr als ein übereinstimmender Code erforderlich war. Trotzdem ist eine elektronische Akte nicht dasselbe wie ein prospektiv bestätigtes Ereignis, das von einer Kardiologin oder einem Kardiologen geprüft wurde. Der Unterschied wird wichtig, sobald ein Modell in der Versorgung eingesetzt werden soll.\n\n Die Forschenden passten ihre Analysen an bekannte kardiovaskuläre Risikofaktoren an, darunter Alter, Geschlecht, Body-Mass-Index, Rauchen, Bluthochdruck und Diabetes. Zusätzlich berücksichtigten sie schlafbezogene Variablen wie den Apnoe-Hypopnoe-Index, den Weckreaktionsindex, periodische Beinbewegungen, die in den verschiedenen Schlafstadien verbrachte Zeit und die Schlafeffizienz. Der Wert des neuronalen Netzes blieb nach diesen Anpassungen mit mehreren Ereignissen verbunden.\n\n In den externen Kohorten war ein Anstieg der Modellausgabe um eine Standardabweichung mit höheren Risiken für Vorhofflimmern, Herzinsuffizienz und Tod aus beliebiger Ursache verbunden. Die berichteten Hazard Ratios waren zwischen den Krankenhäusern nicht identisch, was bei retrospektiven klinischen Daten zu erwarten ist, aber die Richtung des Zusammenhangs blieb konsistent. Die Ergebnisse für Schlaganfall und Myokardinfarkt waren schwächer und weniger einheitlich.\n\n Dieses Muster ist aussagekräftiger als die pauschale Behauptung, eine KI habe „Herzerkrankungen vorhergesagt“. Es zeigt, dass das Modell prognostische Informationen aus dem nächtlichen Signal gewinnen konnte, dass die Stärke dieser Information aber vom jeweiligen Ereignis und von der Kohorte abhing.\n\n ## Warum Schlaf kardiovaskuläre Risiken sichtbar machen kann\n\n Der Zusammenhang zwischen Schlaf und Herz-Kreislauf-Gesundheit ist keine Überraschung. Schlafbezogene Atemstörungen können den Sauerstoffgehalt im Blut wiederholt senken, die Aktivität des sympathischen Nervensystems steigern, den Druck im Brustraum verändern und kurze Weckreaktionen auslösen. Über längere Zeit können solche Belastungen zu Bluthochdruck, Gefäßschäden, instabilen Herzrhythmen und einer Verschlechterung der Herzinsuffizienz beitragen.\n\n Das National Heart, Lung, and Blood Institute weist darauf hin, dass Schlafapnoe das Risiko für hohen Blutdruck, Diabetes, Herzerkrankungen und Schlaganfall erhöhen kann. Auch die American Heart Association hat Zusammenhänge zwischen schlafbezogenen Atemstörungen und Herzrhythmusstörungen beschrieben, insbesondere Vorhofflimmern. Menschen mit Herz-Kreislauf-Erkrankungen haben häufig eher eine Schlafapnoe, während eine bestehende kardiovaskuläre Erkrankung die Folgen schlafbezogener Atemstörungen wiederum verstärken kann.\n\n Ein gewöhnlicher Schlafbericht bildet einen Teil dieser Physiologie über zusammengefasste Messwerte ab. Der Apnoe-Hypopnoe-Index zählt Atemereignisse pro Stunde, kann aber nicht jede Reaktion des Herzens auf diese Ereignisse beschreiben. Zwei Menschen können eine ähnliche Zahl an Atemereignissen haben und dennoch unterschiedliche Muster bei autonomer Aktivierung, Rhythmusstörung, Erholung oder Anfälligkeit während des REM-Schlafs zeigen.\n\n Ein nächtliches EKG erfasst außerdem etwas, das ein kurzer Test am Tag möglicherweise nicht zeigt. Das elektrische Verhalten des Herzens verändert sich mit Körperlage, Atmung, Schlafstadium, Weckreaktionen und Sauerstoffschwankungen. Eine Momentaufnahme kann klinisch wertvoll sein, aber eine Aufzeichnung über die ganze Nacht liefert eine deutlich größere Stichprobe der individuellen Physiologie. Der mögliche Vorteil des Algorithmus besteht nicht darin, ein geheimnisvolles „Herzsignal“ zu entdecken. Er liegt darin, schwache, zeitabhängige Hinweise zu verbinden, die sich von Hand nur schwer zusammenfassen lassen.\n\n Die Information über das Schlafstadium fügt eine weitere Ebene hinzu. Eine Veränderung der Herzfrequenz im Tiefschlaf muss nicht dasselbe bedeuten wie eine ähnliche Veränderung während einer Weckreaktion oder beim Übergang in den REM-Schlaf. Durch die Angabe des Stadiums kann das Modell das Verhalten des Herzens mit dem Zustand des schlafenden Gehirns und Körpers vergleichen.\n\n ## Was die Zahlen bedeuten – und was nicht\n\n Die stärksten Befunde betrafen Vorhofflimmern, Herzinsuffizienz und Tod aus beliebiger Ursache. In einer externen Kohorte war ein Anstieg der Ausgabe des neuronalen Netzes um eine Standardabweichung mit Hazard Ratios von 2,03 für Vorhofflimmern, 1,69 für Herzinsuffizienz und 1,82 für die Gesamtmortalität verbunden. In der anderen externen Kohorte lagen die entsprechenden Werte bei 2,72, 2,33 und 1,65.\n\n Das sind relative Zusammenhänge und keine persönlichen Wahrscheinlichkeiten. Sie bedeuten nicht, dass eine Person mit einem hohen Score eine Wahrscheinlichkeit von 72 Prozent für Vorhofflimmern hat oder dass der Algorithmus eine unausweichliche Zukunft erkannt hätte. Das absolute Risiko hängt von der Ausgangshäufigkeit, dem Alter, früheren Erkrankungen, der Nachbeobachtungsdauer, konkurrierenden Todesursachen und der Kalibrierung des Scores in der jeweils untersuchten Population ab.\n\n Auch eine Hazard Ratio beweist nicht, dass das EKG-Muster das Ereignis verursacht. Das Signal kann eine bereits bestehende, aber noch nicht diagnostizierte Erkrankung, gemeinsame Risikofaktoren, Unterschiede in der Behandlung oder eine umfassendere physiologische Belastung widerspiegeln. Ein Modell kann auch ohne kausale Aussage nützlich sein. Dafür müssten Ärztinnen und Ärzte jedoch wissen, welche Entscheidung der Score unterstützt und ob das Handeln danach die Ergebnisse verbessert.\n\n Bei Myokardinfarkt und Schlaganfall ist besondere Zurückhaltung angebracht. Das Modell wurde entwickelt, um alle fünf Ereignisse vorherzusagen, doch die Autorinnen und Autoren berichten, dass für Herzinfarkt und Schlaganfall eine zusätzliche Optimierung erforderlich ist. In der Schlussfolgerung der Studie verbesserte das Modell die Risikovorhersage für diese Ereignisse gegenüber etablierten Faktoren nicht wesentlich. Eine Überschrift, die alle fünf Erkrankungen gleichrangig zusammenfasst, würde die Evidenz daher überdehnen.\n\n ## Die gute Nachricht: Das Signal wird bereits aufgezeichnet\n\n Das überzeugendste Merkmal des Ansatzes ist organisatorischer und nicht spektakulärer Natur. Viele Menschen, die eine Schlafuntersuchung durchführen lassen, haben bereits über mehrere Stunden einen aufgezeichneten EKG-Kanal. Eine zweite Auswertung dieser Daten könnte günstiger und einfacher sein als ein zusätzlicher Test, sofern die Methode später auch mit einem kleinen Patch oder einer vereinfachten Schlafuntersuchung funktioniert.\n\n Die Studie nutzte eine einzelne EKG-Ableitung und keine konventionelle diagnostische Zwölf-Kanal-Aufzeichnung. Das macht die Datenerhebung weniger aufwendig, setzt aber zugleich eine Grenze. Eine einzelne Ableitung kann Rhythmus und bestimmte elektrische Muster zeigen, liefert jedoch nicht sämtliche räumlichen Informationen eines Zwölf-Kanal-EKGs. Der Ansatz sollte daher als zusätzliches Screening- oder Risikosignal verstanden werden und nicht als allgemeiner Ersatz für kardiologische Standardtests.\n\n Auch die Frage nach dem Ablauf in der Versorgung ist nützlich. Eine Schlafmedizinerin oder ein Schlafmediziner könnte neben den üblichen Ergebnissen zu Atmung und Schlafstadien einen Modellscore erhalten. Ein hoher Wert könnte Anlass sein, Symptome, Medikamente, Blutdruck, Familiengeschichte und frühere EKGs zu prüfen oder ein ambulantes Rhythmusmonitoring zu erwägen. Ein niedriger Wert könnte in bestimmten Situationen beruhigend sein, würde aber weder Beschwerden beseitigen noch etablierte klinische Gründe für weitere Untersuchungen außer Kraft setzen.\n\n Für Gesundheitssysteme könnte der Nutzen in einer besseren Abstimmung liegen. In Schlafambulanzen werden häufig Menschen untersucht, deren kardiovaskuläres Risiko relevant ist, auch wenn es nicht der zentrale Überweisungsgrund ist. Kardiologische Ambulanzen haben möglicherweise keinen Zugriff auf die vollständige nächtliche Physiologie. Ein validierter Score könnte dabei helfen zu erkennen, welche Personen aus einer Schlafstudie eine sorgfältigere kardiovaskuläre Nachbetreuung benötigen.\n\n Dieser Ablauf ist allerdings noch hypothetisch. Die Studie teilte die Patientinnen und Patienten nicht danach ein, ob sie eine modellgestützte Versorgung erhielten, und erfasste nicht, ob Ärztinnen und Ärzte dadurch bessere Entscheidungen trafen, Behandlungen früher begannen oder Schlaganfälle, Krankenhausaufnahmen wegen Herzinsuffizienz beziehungsweise Todesfälle verhindert wurden.\n\n ## Die wichtigsten Grenzen sind klinischer und nicht nur technischer Natur\n\n Die erste Einschränkung ist das retrospektive Studiendesign. Die Forschenden blickten auf bereits vorhandene Aufzeichnungen zurück und verknüpften sie mit späteren Ereignissen in elektronischen Gesundheitsakten. Das ist eine sinnvolle Methode, um ein Signal zu entdecken, aber nicht dasselbe wie eine prospektive Studie, in der jede Person nach einem vorab festgelegten Verfahren untersucht, bewertet und nachbeobachtet wird.\n\n Die zweite Einschränkung betrifft die Kennzeichnung der Ereignisse. Diagnosecodes sind für große Datensätze effizient, können aber unvollständig oder doppelt vorhanden sein oder aus administrativen Gründen eingetragen werden. Die Studie enthielt Sensitivitätsanalysen zur Prüfung der Robustheit ihrer Definitionen. Dennoch konnten nicht alle Ereignisse über mehr als 300.000 Stunden Schlafaufzeichnungen manuell bestätigt werden.\n\n Die dritte Grenze ist die Auswahl der Population. Untersucht wurden Menschen, die zu Schlafstudien überwiesen worden waren, und keine zufällige Stichprobe der Allgemeinbevölkerung. Sie hatten möglicherweise häufiger Beschwerden, Adipositas, den Verdacht auf Schlafapnoe oder weitere Erkrankungen als Menschen, die nie in eine Schlafambulanz gelangen. Ein Modell, das in einer Population aus Schlafstudien gut funktioniert, muss vor einem Einsatz in der hausärztlichen Versorgung oder bei jüngeren Erwachsenen möglicherweise neu kalibriert werden.\n\n Die vierte Grenze betrifft Unterschiede bei Geräten und Abläufen. Verschiedene Krankenhäuser können andere Sensoren, Abtastraten, Auswertungsregeln, Patientengruppen und Dokumentationssysteme verwenden. Dass das Modell in zwei externen Datensätzen seinen prognostischen Wert behielt, ist ermutigend. Es klärt jedoch noch nicht, wie es sich in kommunalen Schlaflaboren, bei Heimtests, in unterschiedlichen ethnischen Gruppen oder bei Menschen mit schweren Vorerkrankungen verhält.\n\n Die fünfte Einschränkung ist die Interpretierbarkeit. Das Netzwerk kann ein mit Risiko verbundenes Muster erkennen, ohne einer Ärztin oder einem Arzt zu sagen, welches physiologische Merkmal den Score verursacht hat. Es könnte auf eine subtile Belastung durch Rhythmusstörungen, autonome Instabilität, Übergänge zwischen Schlafstadien, die Signalqualität oder eine Kombination dieser Faktoren reagieren. Bevor ein hoher Wert weitere Untersuchungen auslöst, braucht es Belege dafür, dass der Score stabil, für den vorgesehenen Zweck ausreichend erklärbar und kein bloßer Stellvertreter für eine bereits bekannte Diagnose ist.\n\n Schließlich ist Vorhersage nicht gleich Prävention. Ein Modell kann Menschen mit höherem Risiko identifizieren, ohne eine Behandlung anzubieten, die dieses Risiko verändert. Der klinisch entscheidende Test ist, ob der Score Entscheidungen gegenüber bestehenden Instrumenten verbessert und ob diese Entscheidungen die Ergebnisse der Patientinnen und Patienten verbessern, ohne unnötige Sorgen, Untersuchungen oder Fehlalarme zu erzeugen.\n\n ## Was müsste für einen Einsatz in der Praxis noch geschehen?\n\n Mehrere Untersuchungen wären erforderlich. Zunächst sollte das Modell prospektiv in vielfältigen Schlaflaboren mit vorab festgelegten Schwellenwerten und Kalibrierungszielen bewertet werden. Die Forschenden sollten Sensitivität, Spezifität, positiven und negativen Vorhersagewert, Kalibrierung sowie die Leistung in demografischen und klinischen Untergruppen berichten. Eine einzige Zahl zur Fläche unter der Kurve würde dafür nicht ausreichen.\n\n Zweitens sollte das Modell mit praktischen Alternativen verglichen werden. Dazu gehören konventionelle kardiovaskuläre Risikofaktoren, die bereits vorhandenen Messwerte der Schlafuntersuchung, die ärztliche Interpretation des EKGs und möglicherweise einfachere statistische Modelle. Wenn ein kleineres und transparenteres Modell nahezu genauso gut funktioniert, könnte es leichter zu validieren und einzusetzen sein.\n\n Drittens muss die klinische Handlung festgelegt werden. Löst ein hoher Score ein Zwölf-Kanal-EKG, ein Patch-Monitoring, eine Echokardiografie, eine Blutdruckprüfung oder eine Überweisung in die Kardiologie aus? Gilt für Vorhofflimmern dasselbe wie für Herzinsuffizienz? Ein Score ohne vereinbarte Reaktion kann zwar die Informationsmenge erhöhen, aber die Versorgung nicht verbessern.\n\n Viertens sollten randomisierte Implementierungsstudien prüfen, ob das Handeln nach dem Score tatsächlich hilft. Patientinnen und Patienten könnten entweder einen gewöhnlichen Schlafbericht oder einen Bericht mit einem validierten kardiovaskulären Risikopfad erhalten. Zu den Ergebnissen sollten angemessene Untersuchungen, die Zeit bis zur Diagnose, Änderungen der Behandlung, Krankenhausaufnahmen, Lebensqualität und Schäden durch falsch-positive Befunde gehören.\n\n Fünftens müssten Aufsichtsbehörden und Gesundheitssysteme klären, wie das Modell gepflegt wird. Eine Änderung der EKG-Hardware, der Software für die Schlafauswertung, der Patientenzusammensetzung oder der klinischen Kodierung kann die Leistung verändern. Die Überwachung solcher Verschiebungen gehört zum Medizinprodukt und ist kein optionaler Software-Nachtrag.\n\n ## Ein sinnvoller Einsatz von KI in der Schlafmedizin\n\n Die Studie zeigt eine bodenständige Anwendung maschinellen Lernens: Eine Messung, die Ärztinnen und Ärzte ohnehin erheben, kann umfassender ausgewertet werden. Sie verspricht nicht, dass ein Wearable die Zukunft erkennen kann, und sie macht aus einer Schlafuntersuchung keinen allgemeinen Herz-Kreislauf-Check. Ihr Potenzial liegt darin, Informationen aus einem vertrauten Signal zurückzugewinnen, die zwar vorhanden sein können, sich aber über die ganze Nacht verteilen und deshalb in der routinemäßigen manuellen Auswertung leicht übersehen werden.\n\n Das ist besonders für Vorhofflimmern und Herzinsuffizienz relevant, bei denen sich ein Risiko durch wiederholte, subtile Veränderungen zeigen kann und nicht unbedingt durch einen einzelnen dramatischen Extraschlag. Die beste Rolle des Modells könnte darin bestehen, Aufmerksamkeit zu priorisieren: eine Person zu erkennen, deren Schlafuntersuchung einen genaueren Blick verdient, und sie anschließend zur üblichen klinischen Bestätigung zu führen.\n\n Für Patientinnen und Patienten ist die kurzfristige Botschaft einfach. Eine Schlafuntersuchung bleibt ein Test, der von Fachleuten interpretiert wird, und keine Diagnose, die ein Algorithmus eigenständig stellt. Ein hoher Modellscore müsste bestätigt werden; ein niedriger Score hebt Beschwerden, Familiengeschichte, hohen Blutdruck oder die Sorge einer behandelnden Person nicht auf. Niemand sollte allein aufgrund dieser Forschung eine kardiovaskuläre Untersuchung suchen oder vermeiden.\n\n Für Forschende ist der nächste Schritt ebenso klar. Das Signal ist vielversprechend, weil es kostengünstig, longitudinal und an einen realen klinischen Ablauf gekoppelt ist. Die Evidenz ist noch nicht vollständig, weil Vorhersage bislang nicht in eine bessere Versorgung übersetzt wurde. Genau an dieser Lücke beginnt nun die nützliche Arbeit.\n\n Die gute Nachricht ist nicht, dass eine KI eine verborgene Zahl gefunden hätte, die über die Zukunft eines Menschen entscheidet. Sie lautet vielmehr, dass eine routinemäßige nächtliche Aufzeichnung möglicherweise mehr klinisch relevante kardiovaskuläre Informationen enthält, als heutige Berichte nutzen. Wenn prospektive Studien zeigen, dass diese Informationen zuverlässig, fair und handlungsrelevant sind, könnte die Schlafmedizin zu einem früheren und effizienteren Weg der kardiovaskulären Risikoeinschätzung werden – mit denselben Daten aus derselben Nacht, aber mit besseren Fragen an sie.\n\n ## Quellen\n\n - [Deep-learning model using ECGs during sleep studies can predict cardiovascular outcomes](https://www.nih.gov/news-events/news-releases/deep-learning-model-using-ecgs-during-sleep-studies-can-predict-cardiovascular-outcomes) – National Institutes of Health\n- [Prediction of cardiovascular outcomes using electrocardiography from overnight polysomnography](https://academic.oup.com/sleep/advance-article/doi/10.1093/sleep/zsag229/8885715) – *Sleep*, Oxford Academic\n- [Sleep Apnea: Causes and Risk Factors](https://www.nhlbi.nih.gov/health/sleep-apnea/causes) – National Heart, Lung, and Blood Institute\n- [Sleep Apnea: Living With](https://www.nhlbi.nih.gov/health/sleep-apnea/living-with) – National Heart, Lung, and Blood Institute\n- [Practice Parameters for the Indications for Polysomnography and Related Procedures](https://aasm.org/resources/practiceparameters/pp_polysomnography.pdf) – American Academy of Sleep Medicine\n- [Top Things to Know: Sleep Disordered Breathing and Cardiac Arrhythmias in Adults](https://professional.heart.org/en/science-news/sleep-disordered-breathing-and-cardiac-arrhythmias-in-adults/top-things-to-know) – American Heart Association","available_translations":[{"language":"ar","title":"إشارة تخطيط القلب غير المستغلة في دراسة النوم قد تكشف مخاطر القلب والأوعية — مع حدود مهمة","html_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=ar","markdown_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.md?lang=ar","json_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.json?lang=ar","api_url":"https://publicasta.com/api/public/v1/channels/good_tech_news/articles/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=ar"},{"language":"de","title":"Das ungenutzte EKG-Signal einer Schlafstudie kann Herz-Kreislauf-Risiken sichtbar machen – mit wichtigen Einschränkungen","html_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=de","markdown_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.md?lang=de","json_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.json?lang=de","api_url":"https://publicasta.com/api/public/v1/channels/good_tech_news/articles/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=de"},{"language":"en","title":"A Sleep Study’s Unused ECG Signal Can Reveal Cardiovascular Risk — With Important Limits","html_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=en","markdown_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.md?lang=en","json_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.json?lang=en","api_url":"https://publicasta.com/api/public/v1/channels/good_tech_news/articles/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=en"},{"language":"es","title":"La señal de ECG no utilizada de un estudio del sueño puede revelar riesgo cardiovascular, con límites importantes","html_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=es","markdown_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.md?lang=es","json_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.json?lang=es","api_url":"https://publicasta.com/api/public/v1/channels/good_tech_news/articles/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=es"},{"language":"fr","title":"Le signal ECG inexploité d’une étude du sommeil peut révéler un risque cardiovasculaire — avec d’importantes limites","html_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=fr","markdown_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.md?lang=fr","json_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.json?lang=fr","api_url":"https://publicasta.com/api/public/v1/channels/good_tech_news/articles/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=fr"},{"language":"pl","title":"Niewykorzystany sygnał EKG ze snu może ujawnić ryzyko sercowo-naczyniowe — ale ma istotne ograniczenia","html_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=pl","markdown_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.md?lang=pl","json_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.json?lang=pl","api_url":"https://publicasta.com/api/public/v1/channels/good_tech_news/articles/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=pl"},{"language":"ru","title":"Неиспользуемый сигнал ЭКГ во время исследования сна может выявить сердечно-сосудистый риск — но есть важные ограничения","html_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=ru","markdown_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.md?lang=ru","json_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.json?lang=ru","api_url":"https://publicasta.com/api/public/v1/channels/good_tech_news/articles/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=ru"},{"language":"zh","title":"睡眠研究中未被充分利用的心电信号，或可揭示心血管风险——但局限不容忽视","html_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=zh","markdown_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.md?lang=zh","json_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.json?lang=zh","api_url":"https://publicasta.com/api/public/v1/channels/good_tech_news/articles/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=zh"}],"_links":{"self":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.json?lang=de","api":"https://publicasta.com/api/public/v1/channels/good_tech_news/articles/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=de","html":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=de","canonical":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=de","markdown":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.md?lang=de","json":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.json?lang=de","channel":"https://publicasta.com/api/public/v1/channels/good_tech_news","channel_articles":"https://publicasta.com/api/public/v1/channels/good_tech_news/articles","search":"https://publicasta.com/api/public/v1/search","documentation":"https://publicasta.com/api-docs#reading-publicasta","openapi":"https://publicasta.com/api-docs/openapi.json","llms":"https://publicasta.com/llms.txt"}}