Die technologische Renaissance in der präventiven Kardiologie – Künstliche Intelligenz, quantitative Koronartomographie
Einleitung
Die Herz-Kreislauf-Medizin erlebt einen grundlegenden Paradigmenwechsel und bewegt sich von einem überwiegend reaktiven, symptomorientierten Modell hin zu einem präventiven Rahmen, der auf Früherkennung und individualisierter Risikobewertung basiert. Im Zentrum dieses Wandels steht die Integration künstlicher Intelligenz (KI) in die Koronare Computertomographie Angiographie (CCTA), insbesondere durch die Entwicklung von Atherosklerose Bildgebung mittels quantitativer Computertomographie (AI-QCT). Dieser Ansatz adressiert eine langjährige Einschränkung in der Kardiologie: die Unfähigkeit herkömmlicher diagnostischer Instrumente, nicht-obstruktive, lipidreiche Koronarien zuverlässig zu erkennen Plaque, trotz solcher Läsionen für den Großteil verantwortlich sein akute Koronarsyndrome und plötzlicher Herztod Ereignisse.
Die klinische Relevanz dieser Einschränkung ist beträchtlich. Epidemiologische und pathologische Studien zeigen übereinstimmend, dass die meisten Myokardinfarkte aus Plaques entstehen, die vor der Ruptur nicht den Blutfluss einschränkten (2). Als Herz-Kreislauf-Erkrankung bleibt die weltweit führende Todesursache, und da die jährlichen Todesfälle bis 2030 voraussichtlich 20 Millionen übersteigen werden, sind verbesserte Methoden zur Identifizierung von Hochrisiko-Koronaratherosklerose vor dem Auftreten klinischer Ereignisse zunehmend erforderlich (3).
Entwicklung der kardialen Risikostratifizierung und der Biologie der Atherosklerose
Die traditionelle kardiovaskuläre Risikostratifizierung stützt sich auf indirekte Marker wie Serumlipidspiegel, Blutdruck, Blutzuckereinstellung, Rauchen Status und demografische Variablen, die in bevölkerungsbezogene Risikorechner. Während sich diese Modelle auf Populationsebene als nützlich erwiesen haben, mangelt es ihnen bei der Anwendung auf einzelne Patienten, insbesondere auf solche mit scheinbar “normalen”, oft an Präzision.” Risikofaktor Profile, die dennoch erhebliche subklinische Erkrankungen aufweisen (4).
Atherosklerose ist eher eine chronische entzündliche Erkrankung der Arterienwand als eine Störung, die allein durch eine Lumeneinengung definiert ist. Plaque entwickelt sich innerhalb der Intima und besteht aus unterschiedlichen Anteilen von Lipiden, fibrösem Gewebe, Entzündungszellen und Kalzium. Herkömmliche diagnostische Tests – einschließlich Belastungstests, Elektrokardiographie und invasiver Koronarangiographie – weisen die Erkrankung in erster Linie erst dann nach, wenn sie hämodynamisch signifikante Stenose, die in der Regel als Lumeneinengung von 70% oder mehr definiert wird (5).
Erkenntnis 1: Autopsie- und angiographische Untersuchungen zeigen, dass etwa 70–75% der Myokardinfarkte in Gefäßen mit einem Durchmesser von weniger als 50% auftreten Stenose vor dem Indexereignis, was darauf hindeutet, dass die meisten Patienten, die ein akutes Koronarsyndrom erleiden, allein durch standardmäßige Belastungstests nicht als Hochrisikopatienten identifiziert worden wären (2).
Erkenntnis 2: Koronar Arterie Das Kalzium-Scoring (CACS) wurde entwickelt, um die Erkennung subklinischer Erkrankungen durch die Identifizierung von verkalkte Plaque. CACS erkennt jedoch nicht verkalkte Plaque, und ein Kalkscore von null schließt das Vorhandensein lipidreicher, rupturgefährdeter Läsionen nicht aus (6).
Erkenntnis 3: AI-QCT ermöglicht die nicht-invasive Quantifizierung der gesamten Koronaren Plaquebelastung, einschließlich dichtearme nicht-verkalkte Plaque, was nachweislich eine stärkere Verbindung zu zukünftigen kardiovaskulären Ereignissen aufweist als die Stenosehalbwertzeit allein (7).
| Plaque-Eigenschaft | Sichtweite (CACS) | Sichtbarkeit (Standard-CCTA) | Sichtbarkeit (AI-QCT) | Klinisches Risikoprofil |
| Verkalkte Plaque | Hoch | Hoch | Hoch | Im Allgemeinen stabil; Marker einer chronischen Erkrankung |
| Nicht verkalkte Plaque | Keine | Qualitativ / begrenzt | Quantitativ / hoch | Erhöhtes Rupturrisiko |
| Plaque mit niedriger Dichte | Keine | Variable | Hoch | Starke Assoziation mit ACS |
| Gesamt Plaquevolumen | Keine | Indirekte Schätzung | Präzise (mm³) | Starker Prädiktor für zukünftige Ereignisse |
Technische Architektur der KI-gestützten Koronaranalyse
KI-QCT-Plattformen führen eine Voxel-Ebene-Analyse des Koronarbaums durch, anstatt sich nur auf eine visuelle Interpretation zu verlassen. Diese Systeme nutzen Deep-Learning-Architekturen – darunter Convolutional Neural Networks (CNNs), dreidimensionale U-Net-Segmentierungsmodelle und von VGG abgeleitete Klassifikatoren –, die anhand großer, kuratierter Datensätze trainiert wurden, die Bildgebungsmerkmale mit invasiver Validierung und langfristigen klinischen Ergebnissen verknüpfen (8).
Erkenntnis 4: AI-QCT beginnt mit der Akquisition von hochauflösendem CCTA. Moderne Mehrzeilen-CT-Systeme, einschließlich 64- und 640-Zeilen-Scannern, bieten die zeitliche und räumliche Auflösung notwendig, um Bewegungsartefakte zu minimieren und eine genaue Segmentierung der Koronaranatomie zu ermöglichen (5).
Erkenntnis 5: Automatisierte Algorithmen identifizieren die Koronare Lumen und der Gefäßwand und klassifiziert Plaque-Komponenten anhand von Hounsfield-Unit-Dämpfungswerten, was eine Differenzierung von lipidreichem, fibrösem und verkalktem Gewebe ermöglicht (9).
Erkenntnis 6: KI-generiert Ischämie Indizes integrieren Plaque-Morphologie, Läsionslänge, Gefäßremodeling und luminale Geometrie zur Abschätzung der Flusslimitierung und bieten ein nicht-invasives Korrelat zu invasiven fraktionelle Flussreserve (FFR) (10).
Klinische Validierung und begutachtete Evidenz
KI-QCT wurde in mehreren prospektiven Studien, Registern und vergleichenden Studien evaluiert, die in führenden kardiovaskulären und Bildgebungsfachzeitschriften veröffentlicht wurden, einschließlich Journal of the American College of Cardiology, Circulation: Cardiovascular Imaging, und European Heart Journal – Cardiovascular Imaging (11).
Landmark Trials and Registries
Insight 7: Der CREDENCE trial demonstrated close agreement between AI-assisted CCTA analysis and invasive quantitative Koronarangiographie and FFR, supporting the diagnostic accuracy of AI-QCT for identifying hemodynamically significant disease (12).
Insight 8: Der CONFIRM2 registry, encompassing tens of thousands of patients across multiple countries, showed that AI-quantified plaque features identify a wide gradient of cardiovascular risk among patients with non-obstructive Koronare Herzkrankheit (7).
Insight 9: Der CERTAIN study demonstrated that AI-QCT significantly improved diagnostic certainty compared with standard interpretation, resulting in more appropriate medical therapy and fewer unnecessary downstream tests (1).
| Studie | N | Key Finding | P-value | Clinical Implication |
| CONFIRM2 | 6,550 | AUC for MACE improved from 0.62 to 0.75 | <0.001 | Improved prognostic accuracy |
| CREDENCE | 513 | High concordance with invasive FFR | <0.01 | Viable non-invasive ischemia assessment |
| PACIFIC-1 | 208 | AI exceeded expert readers | <0.05 | Reduced inter-observer variability |
| PROMISE (subset) | 4,347 | 41% stenoses reclassified | — | Reduced false positives |
Preventive Cardiology Implementation and Longitudinal Disease Monitoring
Integration of AI-QCT into preventive cardiology workflows shifts the clinical focus from episodic evaluation toward longitudinal monitoring of atherosclerotic disease.
Insight 10: Quantification of total plaque burden enables objective assessment of disease progression or regression over time, facilitating a treat-to-target approach guided by serial imaging (7).
Insight 11: AI-based comparison tools permit evaluation of changes in plaque composition, including stabilization or regression of lipid-rich plaque in response to medical therapy (13).
Hardware Advances: Photon-Counting Computed Tomography
The performance of AI-QCT is dependent on the quality of input imaging data, which continues to improve with advances in CT hardware.
Insight 12: Photon-counting CT (PCCT) systems directly convert X-ray photons into electrical signals, reducing electronic noise and calcium blooming artifacts compared with conventional energy-integrating detectors (14).
Insight 13: PCCT provides higher spatial resolution with lower radiation and contrast dose, expanding eligibility for coronary CT imaging to patients with high heart rates, elevated Body-Mass-Index, or extensive coronary Verkalkung (15).
Economic and Health System Implications
The adoption of AI-enabled cardiac imaging aligns with broader healthcare trends toward value-based care and prevention.
Insight 14: Market analyses project rapid growth of AI applications in cardiology, driven by improved diagnostic efficiency and potential reductions in downstream costs associated with acute coronary events (16).
Insight 15: Early identification of high-risk plaque phenotypes may reduce myocardial infarction rates and associated healthcare expenditures by enabling earlier and more targeted intervention (17).
Conclusions and Future Directions
Preventive cardiology is increasingly transitioning toward a biologically informed model that emphasizes plaque burden and composition rather than stenosis severity alone. AI-QCT provides a reproducible, quantitative framework for assessing coronary atherosclerosis before clinical events occur.
Insight 16: Future developments are likely to include integration of agentic AI systems, longitudinal digital heart models, and multimodal data streams incorporating genomic and metabolic information (18).
Insight 17: As AI assumes a greater role in image interpretation and quantification, clinicians may increasingly focus on higher-level clinical decision-making, risk communication, and individualized therapy optimization (19).
Referenzen
- Nurmohamed NS, Cole JH, Budoff MJ, et al. Impact of atherosclerosis imaging-quantitative computed tomography on diagnostic certainty, downstream testing, coronary revascularization, and medical therapy: the CERTAIN study. Eur Heart J Cardiovasc Imaging. 2024;25(6):857-866. doi:10.1093/ehjci/jeae029
- Falk E, Shah PK, Fuster V. Coronary plaque disruption. Circulation. 1995;92(3):657-671. doi:10.1161/01.cir.92.3.657
- Global Burden of Cardiovascular Diseases and Risks 2023 Collaborators. Global, Regional, and National Burden of Cardiovascular Diseases and Risk Factors in 204 Countries and Territories, 1990-2023. J Am Coll Cardiol. 2025;86(22):2167-2243. doi:10.1016/j.jacc.2025.08.015
- Lloyd-Jones DM. Cardiovascular risk prediction: basic concepts, current status, and future directions. Circulation. 2010;121(15):1768-1777. doi:10.1161/CIRCULATIONAHA.109.849166
- Douglas PS, Hoffmann U, Patel MR, et al. Outcomes of anatomical versus functional testing for coronary artery disease. N Engl J Med. 2015;372(14):1291-1300. doi:10.1056/NEJMoa1415516
- Greenland P, Blaha MJ, Budoff MJ, Erbel R, Watson KE. Coronary Calcium Score and Cardiovascular Risk. J Am Coll Cardiol. 2018;72(4):434-447. doi:10.1016/j.jacc.2018.05.027
- Feuchtner GM, Lacaita PG, Bax JJ, et al. AI-Quantitative CT Coronary Plaque Features Associate With a Higher Relative Risk in Women: CONFIRM2 Registry. Circ Cardiovasc Imaging. 2025;18(6):e018235. doi:10.1161/CIRCIMAGING.125.018235
- Oikonomou EK, Khera R. Machine learning in precision diabetes care and cardiovascular risk prediction. Cardiovasc Diabetol. 2023;22(1):259. Published 2023 Sep 25. doi:10.1186/s12933-023-01985-3
- Koo BK, Yang S, Jung JW, et al. Artificial Intelligence-Enabled Quantitative Coronary Plaque and Hemodynamic Analysis for Predicting Acute Coronary Syndrome. JACC Cardiovasc Imaging. 2024;17(9):1062-1076. doi:10.1016/j.jcmg.2024.03.015
- Nørgaard BL, Leipsic J, Gaur S, et al. Diagnostic performance of noninvasive fractional flow reserve derived from coronary computed tomography angiography in suspected coronary artery disease: the NXT trial (Analysis of Coronary Blood Flow Using CT Angiography: Next Steps). J Am Coll Cardiol. 2014;63(12):1145-1155. doi:10.1016/j.jacc.2013.11.043
- Beerkens FJ, Tang GHL, Kini AS, et al. Transcatheter Aortic Valve Replacement Beyond Severe Aortic Stenosis: JACC State-of-the-Art Review. J Am Coll Cardiol. 2025;85(9):944-964. doi:10.1016/j.jacc.2024.11.051
- Griffin WF, Choi AD, Riess JS, et al. AI Evaluation of Stenosis on Coronary CTA, Comparison With Quantitative Coronary Angiography and Fractional Flow Reserve: A CREDENCE Trial Substudy. JACC Cardiovasc Imaging. 2023;16(2):193-205. doi:10.1016/j.jcmg.2021.10.020
- Zaman S, Wasfy JH, Kapil V, et al. The Lancet Commission on rethinking coronary artery disease: moving from ischaemia to atheroma. Lancet. 2025;405(10486):1264-1312. doi:10.1016/S0140-6736(25)00055-8
- Willemink MJ, Persson M, Pourmorteza A, Pelc NJ, Fleischmann D. Photon-counting CT: Technical Principles and Clinical Prospects. Radiology. 2018;289(2):293-312. doi:10.1148/radiol.2018172656
- Schiebler ML, Jinzaki M, Yanagawa M, et al. Future Applications of Cardiothoracic CT. Radiology. 2025;315(3):e240085. doi:10.1148/radiol.240085
- Windecker S, Gilard M, Achenbach S, et al. Device innovation in cardiovascular medicine: a report from the European Society of Cardiology Cardiovascular Round Table. Eur Heart J. 2024;45(13):1104-1115. doi:10.1093/eurheartj/ehae069
- Undas A, Musiał J, Ząbczyk M. Antiphospholipid antibodies and atherosclerotic vascular disease: recent advances. Rheumatol Int. 2025;45(12):279. Published 2025 Nov 29. doi:10.1007/s00296-025-06050-8
- Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56. doi:10.1038/s41591-018-0300-7
- Shetty NS, Gaonkar M, Pampana A, et al. Association of Pathogenic/Likely Pathogenic Inherited Cardiomyopathy Variants With Heart Failure: A TOPMed Multiancestry Analysis. Mayo Clin Proc. 2025;100(11):1948-1955. doi:10.1016/j.mayocp.2025.01.021



