Foundation Models erreichen 80 % Spitzenleistung bei ECG-Analyse

In der modernen Patientendiagnostik werden nichtinvasive Messungen wie das Elektrokardiogramm (EKG) aufgrund ihrer geringen Risiken und schnellen Ergebnisse häufig eingesetzt. Die Analyse von EKG-Daten erfordert jedoch traditionell umfangreiches Fachwissen, was die Anwendung von künstlicher Intelligenz (KI) im Gesundheitswesen erschwert.

Durch Fortschritte im selbstüberwachten Lernen und bei sogenannten Foundation Models können KI-Systeme nun Wissen aus großen Datenmengen extrahieren und nutzen, ohne ausschließlich auf menschliche Expertise angewiesen zu sein. Dennoch fehlte bislang eine umfassende Bewertung, wie gut diese Modelle bei der Analyse von EKG-Signalen abschneiden.

Die vorliegende Studie untersucht diese Frage, indem sie Sprach-, allgemeine Zeitreihen- und EKG-spezifische Foundation Models mit klassischen Deep‑Learning‑Modellen für Zeitreihen vergleicht. Die Ergebnisse zeigen, dass die allgemeinen Zeitreihen- und EKG-Foundation Models eine Spitzenleistung von 80 % erreichen – ein deutliches Indiz für ihre Effektivität in der EKG‑Analyse.

Darüber hinaus liefert die Arbeit detaillierte Analysen und Einsichten in die Stärken und Schwächen der Modelle, sowie Hinweise darauf, wie sie zur Weiterentwicklung der physiologischen Signalverarbeitung beitragen können. Der komplette Datensatz und der zugehörige Code stehen öffentlich auf GitHub zur Verfügung.