Wie künstliche Intelligenz die Telemedizin verändert

Das Telemonitoring ist in Deutschland seit dem Jahr 2022 Teil der Regelversorgung von Patientinnen und Patienten mit chronischer Herzinsuffizienz bei reduzierter linksventrikulärer Ejektionsfraktion geworden [1]. Derzeit wird diese Methode der digitalen Mitbetreuung in die ambulante Versorgung implementiert.

Das Grundprinzip der Telemedizin: Patienten übermitteln täglich Vitaldaten wie Gewicht, Blutdruck, Herzfrequenz, EKG sowie ihr Befinden und/ oder Implantatdaten an ein Telemedizinzentrum (TMZ). Dort werden diese Daten gesichtet, bewertet und bei Auffälligkeiten wird interveniert.

Durch den Einsatz einer solchen telemedizinischen Versorgung lassen sich herzinsuffizienzbedingte Hospitalisierungen vermeiden und die Mortalität senken; in mehreren randomisierten Studien, zum Beispiel in der TIM-HF2 Studie, hat sich dieser Vorteil bestätigt [2]. Ein Telemonitoring ist aber auch personalintensiv: Die täglich entstehenden großen Datenmengen müssen gemäß der aktuellen Qualitätssicherungsvereinbarung alle manuell durch medizinisches Fachpersonal gesichtet werden. Dieser Aufwand wächst linear zur Anzahl der betreuten Patientinnen und Patienten. Aktuell werden circa 30.000 Personen in Deutschland telemedizinisch mitbetreut. Nach den Einschlusskriterien des G-BA Beschlusses liegt der Bedarf jedoch bei 150.000 Patientinnen und Patienten [3].

Eine zentrale Frage der telemedizinischen Forschung lautet daher: Kann künstliche Intelligenz (KI) telemedizinische Versorgungskonzepte so skalierbar machen, dass mit den gleichen personellen Ressourcen mehr Patientinnen und Patienten betreut werden können?

Das heutige Telemonitoring erfolgt in einem 1:1-Verhältnis von Datenerhebung und -bewertung; Patienten messen täglich und das medizinische Personal sichtet täglich. Ein großer Teil der Werte ist dabei unauffällig. Dieser Ansatz sichert eine hohe Sensitivität für die Detektion von kardialen Dekompensationen, bindet jedoch signifikante Personalressourcen.

Hinrichs et al. trainierten deshalb ein KI-Modell anhand der Daten aus der TIM-HF2-Studie mit der Fragestellung, ob sich das Risiko einer herzinsuffizienzbedingten Hospitalisierung innerhalb der folgenden sieben Tage mittels KI aus den täglich im Telemedizinzentrum eingehenden Daten vorhersagen lässt [4, 5]. Der KI-basierte Arbeitsablauf im TMZ bestand wiederum darin, dass täglich nur jenes Drittel der Patientinnen und Patienten manuell gesichtet wurde, dem die KI das höchste Risiko zuordnete. Die Forschungsfrage war: Lassen sich durch die jeweiligen Ansätze 95 % aller Personen, die in den kommenden sieben Tagen in die Klinik eingewiesen werden müssen, im Vorfeld erfassen? Die KI beobachtete also die gesamte Population, das medizinische Team im TMZ konzentrierte sich hingegen ausschließlich auf die Patientenverläufe mit dem höchsten Risiko.

Das KI-Modell erreichte eine ROC-AUC von 0,86 und war damit dem in der Studie verwendeten regelbasierten Ansatz mit einer ROC-AUC von 0,72 deutlich überlegen.

Künstliche Intelligenz kann aber nicht nur bei der Auswertung etablierte Messwerte unterstützen. Sie erlaubt auch, neue biomedizinische Signale nutzbar zu machen. Ein Beispiel hierfür ist die menschliche Stimme, die als digitaler Vitalparameter fungieren kann. Bei Personen mit ausgeprägter kardialer Dekompensation sind Veränderungen der Stimme und Atmung, verursacht durch Flüssigkeitseinlagerungen im Bereich von Lunge und Stimmapparat, klar hörbar. KI-Modelle erkennen diese spezifischen Muster frühzeitig und können diese in bereits subklinischer Ausprägung mit hoher Sensitivität erfassen.

In der VAMP-HF-Studie unterschied ein auf Stimmdaten trainiertes KI-Modell bei hospitalisierten Patienten zwischen einer akuten Dekompensation sowie dem Zustand nach Rekompensation mit einer AUC von 0,90 [6]. Der longitudinale Einsatz einer Stimmanalyse zur Vorhersage von herzinsuffizienzbedingten Hospitalisierungen wurde anschließend in der TIM-HF3-Voice-Studie untersucht; an 105 Hochrisikopatientinnen und -patienten, die im Vorfeld bereits mittels eines externen Telemonitorings betreut wurden. Die nachträgliche Stimmanalyse konnte 84 % der Hospitalisierungen, im Median 29 Tage vor dem Ereignis, erkennen. Im Gegensatz dazu lag die Trefferquote der körpergewichtsbasierten Warnmeldungen nur bei 36 %; hier wurde im Median 13 Tage vorher „gewarnt“ [7]. Die Anzahl der Alarme, auf die kein klinisches Ereignis folgte, war bei Einsatz der Stimmanalyse mit 2,6 pro Patientenjahr signifikant geringer als bei Anwendung der Gewichtskontrollen (6,0 pro Patientenjahr).In aktuell laufenden Studien wird der Einfluss von telemedizinischen Interventionen, die sich auf stimmbasierte Biomarker stützen, auf klinische Endpunkte (herzinsuffizienzbedingte Hospitalisierungen) untersucht.

Die Rolle von KI im telemedizinischen Management der Herzinsuffizienz wird sich zukünftig nicht mehr auf die Risikoprädiktion und Priorisierung von Befunden beschränken. KI wird Datenquellen zusammenführen, Veränderungen gegenüber dem individuellen Ausgangszustand bewerten und klinisch relevante Muster im klinischen Gesamtkontext erkennen. Als Entscheidungsunterstützungssystem wird sie perspektivisch auch mögliche Ursachen und diagnostische Schritte vorschlagen können.

Der klinische Kontext bleibt weiterhin, insbesondere für den erfolgreichen Einsatz eines KI-assistierten Telemonitorings, essenziell: Symptome, Medikation, Nierenfunktion, Begleiterkrankungen, Therapieziele und der persönliche Kontakt lassen sich nicht auf einen Risikowert reduzieren. KI kann hier Muster erkennen, Entscheidungen unterstützen und die Effizienz steigern. Für die Gesamtbeurteilung und die therapeutischen Entscheidungen bleiben jedoch letztlich Ärztinnen, Ärzte und spezialisierte Pflegekräfte verantwortlich.

Die nächste Entwicklungsstufe von Telemedizinzentren wird absehbar auf einem hybriden Ansatz beruhen, welcher den Einsatz von klassischen Vitaldaten, neuen digitalen Biomarkern sowie dem KI-assistierten Management von großen Patientenpopulationen erlaubt.

• Künstliche Intelligenz wird das Telemonitoring bei Herzinsuffizienz entlang des gesamten diagnostischen Weges – von der täglichen Messwerterhebung in der Häuslichkeit der Patientinnen und Patienten bis zur klinischen Entscheidung – verändern.
• Sie wird alle im TMZ eingehenden Daten besser priorisieren, neue Biosignale verwenden und die Befundung unterstützen.
• Die medizinische Verantwortung bleibt aber bei der behandelnden Ärztin beziehungsweise beim behandelnden Arzt.

LR ist Mitgründer und Gesellschafter der Noah Labs GmbH; davor war er Mitarbeiter des DHZC-Arbeitsbereichs Kardiovaskuläre Telemedizin. FK erhielt für die Durchführung der TIM-HF3-Studie im Rahmen des Forschungsprojektes Telemed5000 eine öffentliche Forschungsförderung des Bundesministeriums für Wirtschaft und Energie (BMWE).

1. Glück S et al. Herz. 2026;51:108-15
2. Scholte NTB et al. Eur Heart J. 2023;44:2911-26
3. Spethmann S et al. J Med Internet Res. 2024;26:e63391
4. Koehler F et al. Lancet. 2018;392:1047-57
5. Hinrichs N et al. Front Cardiovasc Med. 2024;11:1457995
6. Riehle L et al. Eur Heart J Digit Health. 2026;7:ztag052
7. Riehle L et al. Eur J Heart Fail. 2026; https://doi.org/xuag203