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).
Wegweisende Studien und Register
Erkenntnis 7: Der CREDENCE-Studie zeigte eine enge Übereinstimmung zwischen der KI-gestützten CCTA-Analyse und der invasiven quantitative Koronarangiographie und der FFR, was die diagnostische Genauigkeit von KI-QCT zur Identifizierung hämodynamisch signifikanter Erkrankungen unterstützt (12).
Erkenntnis 8: Der CONFIRM2-Register, das Zehntausende von Patienten in mehreren Ländern umfasst, zeigte, dass von KI quantifizierte Plaque-Merkmale einen breiten Gradienten des kardiovaskulären Risikos bei Patienten mit nicht-obstruktiver Erkrankung identifizieren Koronare Herzkrankheit (7).
Erkenntnis 9: Der BESTIMMTE Studie zeigte, dass die KI-QCT die diagnostische Sicherheit im Vergleich zur Standardinterpretation signifikant verbesserte, was zu einer geeigneteren medizinischen Therapie und weniger unnötigen nachgeschalteten Tests führte (1).
| Studie | N | Wichtigste Erkenntnis | p-Wert | Klinische Relevanz |
| BESTÄTIGEN2 | 6,550 | Die AUC für MACE verbesserte sich von 0,62 auf 0,75 | <0,001 | Verbesserte prognostische Genauigkeit |
| GLAUBE | 513 | Hohe Übereinstimmung mit invasiver FFR | <0,01 | Lebensfähige nicht-invasive Ischämiediagnostik |
| PACIFIC-1 | 208 | KI hat Expertenleser übertroffen | <0,05 | Reduzierte Inter-Beobachter-Variabilität |
| VERSPRECHEN (Teilmenge) | 4,347 | 41%-Stenosen neu klassifiziert | — | Reduzierte Falschpositive |
Präventivkardiologische Umsetzung und longitudinale Krankheitsüberwachung
Die Integration von AI-QCT in präventivkardiologische Arbeitsabläufe verlagert den klinischen Fokus von der episodischen Beurteilung hin zur longitudinalen Überwachung der atherosklerotischen Erkrankung.
Erkenntnis 10: Die Quantifizierung der Gesamtplaquebelastung ermöglicht eine objektive Beurteilung des Fortschreitens oder der Rückbildung der Erkrankung im Laufe der Zeit und erleichtert so einen auf serielle Bildgebung gestützten „Treat-to-Target“-Ansatz (7).
Erkenntnis 11: KI-basierte Vergleichswerkzeuge ermöglichen die Auswertung von Veränderungen der Plaquezusammensetzung, einschließlich der Stabilisierung oder Regression von lipidreiche Plaque als Reaktion auf die medizinische Therapie (13).
Hardware-Fortschritte: Photon-Counting-Computertomographie
Die Leistung von AI-QCT hängt von der Qualität der bildgebenden Eingabedaten ab, die sich mit den Fortschritten in der CT-Hardware kontinuierlich verbessert.
Erkenntnis 12: Photonenzählende CT (PCCT) Systeme wandeln Röntgenphotonen direkt in elektrische Signale um, wodurch elektronisches Rauschen reduziert wird und Calcium-Ausblühungsartefakte verglichen mit konventionellen energieintegrierenden Detektoren (14).
Erkenntnis 13: PCCT bietet eine höhere räumliche Auflösung bei geringerer Strahlen- und Kontrastmitteldosis, wodurch die Eignung für die Koronar-CT-Bildgebung auf Patienten mit hohem [Zusatz fehlt] erweitert wird. Herzfrequenzen, erhöht Body-Mass-Index, oder ausgedehnte koronare Verkalkung (15).
Auswirkungen auf die Wirtschaft und das Gesundheitssystem
Die Einführung KI-gestützter Herzbildgebung steht im Einklang mit umfassenderen Trends im Gesundheitswesen hin zu wertbasiertem und präventivem Handeln.
Erkenntnis 14: Marktanalysen prognostizieren ein rasches Wachstum von KI-Anwendungen in der Kardiologie, angetrieben durch eine verbesserte diagnostische Effizienz und potenzielle Senkungen der nachgelagerten Kosten im Zusammenhang mit akuten koronaren Ereignissen (16).
Erkenntnis 15: Früherkennung von Hochrisikopatienten Plaque-Phänotypen kann die Raten von Myokardinfarkten und damit verbundene Gesundheitsausgaben durch die Ermöglichung eines früheren und gezielteren Eingreifens senken (17).
Schlussfolgerungen und Ausblick
Die präventive Kardiologie wandelt sich zunehmend hin zu einem biologisch fundierten Modell, das eher die Plaquebelastung und -zusammensetzung als allein den Stenosegrad in den Vordergrund stellt. KI-QCT bietet einen reproduzierbaren, quantitativen Rahmen zur Beurteilung der koronaren Atherosklerose, bevor klinische Ereignisse auftreten.
Erkenntnis 16: Zukünftige Entwicklungen werden voraussichtlich die Integration von agentenbasierten KI-Systemen, longitudinalen digitalen Herzmodellen und multimodalen Datenströmen umfassen, die genomische und metabolische Informationen einbeziehen (18).
Erkenntnis 17: Da KI eine größere Rolle bei der Bildinterpretation und -quantifizierung übernimmt, können sich Kliniker zunehmend auf höherrangige klinische Entscheidungsfindungen, Risikokommunikation und die Optimierung einer individualisierten Therapie konzentrieren (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



