Skip to main page content
U.S. flag

An official website of the United States government

Dot gov

The .gov means it’s official.
Federal government websites often end in .gov or .mil. Before sharing sensitive information, make sure you’re on a federal government site.

Https

The site is secure.
The https:// ensures that you are connecting to the official website and that any information you provide is encrypted and transmitted securely.

Access keys NCBI Homepage MyNCBI Homepage Main Content Main Navigation
Review
. 2022 Jun;33(2):232-240.
doi: 10.1007/s00399-022-00854-y. Epub 2022 May 12.

[Artificial intelligence-based ECG analysis: current status and future perspectives-Part 1 : Basic principles]

[Article in German]
Wilhelm Haverkamp  1   2 , Nils Strodthoff  3 , Carsten Israel  4
Affiliations
Review

[Artificial intelligence-based ECG analysis: current status and future perspectives-Part 1 : Basic principles]

[Article in German]
Wilhelm Haverkamp et al. Herzschrittmacherther Elektrophysiol. 2022 Jun.

Erratum in

Abstract
in English, German

Even though electrocardiography is a diagnostic procedure that is now more than 100 years old, medicine cannot do without it. On the contrary, interest in the procedure and its clinical significance is even increasing again. Reports on the evaluation of electrocardiograms (ECGs) with the aid of artificial intelligence (AI) are also responsible for this. Using machine learning and in particular deep learning, both AI subfields, completely new perspectives of ECG evaluation and interpretation arise. The weaknesses inherent in classical computer-assisted ECG evaluation appear to be overcome. This two-part overview deals with AI-based ECG analysis. Part 1 introduces basic aspects of the procedure. Part 2, which is published separately, is devoted to the current state of research and discusses the available studies. In addition, possible scenarios of future application of AI in ECG analysis are discussed.

Auch wenn die Elektrokardiographie mittlerweile ein über 100 Jahre altes diagnostisches Verfahren ist, kann die Medizin auf sie nicht verzichten. Ganz im Gegenteil, das Interesse am Elektrokardiogramm (EKG) und seine klinische Bedeutung nehmen derzeit sogar wieder zu. Dies hat nicht nur mit einer Fülle von neuen Erkenntnissen zu der elektrokardiographischen Manifestation alter und neuer kardiovaskulärer Pathologien zu tun, sondern auch damit, dass das EKG vermehrt Gegenstand von Analysen ist, die sich künstlicher Intelligenz (KI) bedienen. Die Schwächen, die der klassischen computerassistierten EKG-Auswertung anhaften, erscheinen mithilfe von KI überwindbar. Zudem scheint KI in der Lage zu sein, Informationen aus EKGs zu extrahieren, die weit über das hinausgehen, was ein Mensch leisten kann. Nicht alle Ärzte sind mit der Anwendung dieser neuen Technologie und ihren Teilbereichen, dem Machine Learning (maschinelles Lernen) und insbesondere dem Deep Learning (tiefes Lernen; wenig gebräuchlicher Ausdruck), vertraut. Die Bewertung ihrer aktuellen und zukünftigen klinischen Relevanz fällt schwer. Diese zweiteilige Übersicht beschäftigt sich mit der KI-basierten EKG-Analyse. In Teil 1 erfolgt eine Einführung in grundlegende Aspekte des Vorgehens. Teil 2, der separat publiziert wird, widmet sich dem aktuellen Stand der Forschung und bespricht die Ergebnisse verfügbarer Studien. Zudem werden möglich Szenarien der zukünftigen Anwendung von KI bei der EKG-Analyse diskutiert.

Keywords: Artificial neuronal networks; Deep learning; Digital health; Electrocardiography; Machine learning.

PubMed Disclaimer

Similar articles

See all similar articles

Cited by

References

    1. Alonso A, Krijthe BP, Aspelund T, et al. Simple risk model predicts incidence of atrial fibrillation in a racially and geographically diverse population: the CHARGE-AF consortium. J Am Heart Assoc. 2013;2:e000102. doi: 10.1161/JAHA.112.000102. - DOI - PMC - PubMed
    1. Attia ZI, Kapa S, Lopez-Jimenez F, et al. Screening for cardiac contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med. 2019;25:70–74. doi: 10.1038/s41591-018-0240-2. - DOI - PubMed
    1. Attia ZI, Noseworthy PA, Lopez-Jimenez F, et al. An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm: A retrospective analysis of outcome prediction. Lancet. 2019;394:861–867. doi: 10.1016/S0140-6736(19)31721-0. - DOI - PubMed
    1. Attia ZI, Harmon DM, Behr ER, et al. Application of artificial intelligence to the electrocardiogram. Eur Heart J. 2021;42:4717–4730. doi: 10.1093/eurheartj/ehab649. - DOI - PMC - PubMed
    1. Baek YS, Lee SC, Choi W, et al. A new deep learning algorithm of 12-lead electrocardiogram for identifying atrial fibrillation during sinus rhythm. Sci Rep. 2021;11:12818. doi: 10.1038/s41598-021-92172-5. - DOI - PMC - PubMed

LinkOut - more resources