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 Sep;33(3):305-311.
doi: 10.1007/s00399-022-00855-x. Epub 2022 May 12.

[Artificial intelligence-based ECG analysis: current status and future perspectives-Part 2 : Recent studies and future]

[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 2 : Recent studies and future]

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

Erratum in

Abstract
in English, German

While fundamental aspects of the application of artificial intelligence (AI) to electrocardiogram (ECG) analysis were discussed in part 1 of this review, the present work (part 2) provides a review of recent studies on the practical application of this new technology. The number of published articles on the topic of AI-based ECG analysis has been increasing rapidly since 2017. This is especially true for studies that use deep learning (DL) with artificial neural networks. The aim is not only to overcome the weaknesses of classical ECG diagnostics, but also to extend the functionality of the ECG. This involves the detection of cardiological and noncardiological diseases and the prediction for clinical events, e.g., the future development of left ventricular dysfunction and future clinical manifestation of atrial fibrillation. This is made possible by AI using DL to find subclinical patterns in giant ECG datasets and using them for algorithm development. AI-assisted ECG analysis is becoming a screening tool; it goes far beyond just being "better" than a cardiologist. The progress that has been made is remarkable and is generating much attention and also euphoria among experts and the public. However, most studies are proof-of-concept studies. Often, private (institution-owned) data are used, the quality of which is unclear. To date, clinical validation of the developed algorithms in other collectives and scenarios has been rare. Particularly problematic is that the way AI finds a solution so far mostly remains hidden from humans (black-box character of AI). Overall, AI-based electrocardiography is still in its infancy. However, it is already foreseeable that the ECG, as a diagnostic procedure that is easy to use and can be repeated as often as desired, will not only continue to be indispensable in the future, but will also gain in clinical importance.

Während grundlegende Aspekte der Anwendung von künstlicher Intelligenz (KI) zur Elektrokardiogramm(EKG)-Analyse in Teil 1 dieser Übersicht behandelt wurden, beschäftigt sich die vorliegende Arbeit (Teil 2) mit einer Besprechung von aktuellen Studien zum praktischen Einsatz dieser neuen Technologien und Aspekte ihrer aktuellen und möglichen zukünftigen Anwendung. Die Anzahl der zum Thema KI-basierte EKG-Analyse publizierten Studien steigt seit 2017 rasant an. Dies gilt vor allem für Untersuchungen, die Deep Learning (DL) mit künstlichen neuronalen Netzen (KNN) einsetzen. Inhaltlich geht es nicht nur darum, die Schwächen der klassischen EKG-Diagnostik mit Hilfe von KI zu überwinden und die diagnostische Güte des Verfahrens zu verbessern, sondern auch die Funktionalität des EKGs zu erweitern. Angestrebt wird die Erkennung spezieller kardiologischer und nichtkardiologischer Krankheitsbilder sowie die Vorhersage zukünftiger Krankheitszustände, z. B. die zukünftige Entwicklung einer linksventrikulären Dysfunktion oder das zukünftige Auftreten von Vorhofflimmern. Möglich wird dies, indem KI mittels DL in riesigen EKG-Datensätzen subklinische Muster findet und für die Algorithmen-Entwicklung nutzt. Die KI-unterstützte EKG-Analyse wird somit zu einem Screening-Instrument und geht weit darüber hinaus, nur besser als ein Kardiologe zu sein. Die erzielten Fortschritte sind bemerkenswert und sorgen in Fachwelt und Öffentlichkeit für Aufmerksamkeit und Euphorie. Bei den meisten Studien handelt es sich allerdings um Proof-of-Concept-Studien. Häufig werden private (institutionseigene) Daten verwendet, deren Qualität unklar ist. Bislang ist nur selten eine klinische Validierung der entwickelten Algorithmen in anderen Kollektiven und Szenarien erfolgt. Besonders problematisch ist, dass der Weg, wie KI eine Lösung findet, bislang meistens verborgen bleibt (Blackbox-Charakter). Damit steckt die KI-basierte Elektrokardiographie noch in den Kinderschuhen. Unbestritten ist aber schon absehbar, dass das EKG als einfach anzuwendendes und beliebig oft wiederholbares diagnostisches Verfahren auch in Zukunft nicht nur weiterhin unverzichtbar sein wird, sondern durch KI an klinischer Bedeutung gewinnen wird.

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

PubMed Disclaimer

Similar articles

See all similar articles

Cited by

References

    1. Adedinsewo D, Carter RE, Attia Z, et al. Artificial intelligence-enabled ECG algorithm to identify patients with left ventricular systolic dysfunction presenting to the emergency department with dyspnea. Circ Arrhythm Electrophysiol. 2020;13:e008437. doi: 10.1161/CIRCEP.120.008437. - DOI - PubMed
    1. Attia ZI, DeSimone CV, Dillon JJ, et al. Novel bloodless potassium determination using a signal-processed single-lead ECG. J Am Heart Assoc. 2016;5:e002746. doi: 10.1161/JAHA.115.002746. - 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, Kapa S, Yao X, et al. Prospective validation of a deep learning electrocardiogram algorithm for the detection of left ventricular systolic dysfunction. J Cardiovasc Electrophysiol. 2019;30:668–674. doi: 10.1111/jce.13889. - DOI - PubMed

LinkOut - more resources