Über HeartLab

Die wegweisende Studie zur Validierung von Wearable-EKG für die Erkennung von Vorhofflimmern. 419.297 Teilnehmer. Positiver Vorhersagewert der Apple Watch: 84%. Diese Studie bewies, dass Consumer-Wearables ein legitimes Screening-Tool für AFib sein können.

Direktvergleich mit 94,5% Sensitivität und 95,7% Spezifität für die AFib-Erkennung. Die Apple Watch klassifizierte den Sinusrhythmus in 99,3% der Fälle korrekt.

Deep-Learning-Modelle erreichten kardiologengleiche Genauigkeit für 12 Rhythmusklassen. PVC-Erkennungssensitivität: 93,2%. PAC-Erkennung: 88,7%. Einkanal-Wearable-EKGs können weit mehr erkennen als ursprünglich angenommen.

500 Patienten trugen sowohl Apple Watch als auch Holter 7 Tage lang. AFib-Erkennung: 97% Sensitivität (Watch, 7 Tage) vs. 89% (Holter, 24h). PVC-Burden-Korrelation: r=0,82. Für das AFib-Screening kann eine Woche Smartwatch-EKGs den traditionellen 24h-Holter übertreffen.

Ein 34-schichtiges konvolutionelles neuronales Netzwerk, das die Genauigkeit zertifizierter Kardiologen bei der Klassifizierung von 12 verschiedenen Herzrhythmustypen aus Einkanal-EKG-Daten erreicht oder übertrifft. Diese grundlegende Arbeit zeigte, dass KI Einkanal-EKG zuverlässig interpretieren kann — dasselbe Signalformat, das die Apple Watch verwendet.

Systematische Überprüfung, die bestätigt, dass von Consumer-Wearables abgeleitete HRV-Metriken (RMSSD, SDNN) eine starke Übereinstimmung mit klinischen Geräten zeigen (r > 0,90). Bestätigt, dass R-R-Intervalldaten von Wearable-EKGs für die HRV-Berechnung zuverlässig sind.

QTc > 500 ms birgt ein 2-3-fach erhöhtes Risiko für Torsades de Pointes. Medikamenteninduzierte QT-Verlängerung verursacht ~15.000 Todesfälle/Jahr in den USA. Über 200 Medikamente können das QT-Intervall verlängern. HeartLab berechnet QTc mit vier validierten Formeln: Bazett (1920), Fridericia (1920), Framingham (1992) und Hodges (1983).

LQTS-Prävalenz: 1 von 2.000 (viele undiagnostiziert). Genauigkeit der Apple Watch QTc-Messung: ±15 ms vs. 12-Kanal. Serielle QTc-Messungen verbessern die diagnostische Genauigkeit — genau der Ansatz, den HeartLab mit der longitudinalen QTc-Trendverfolgung verwendet.

Umfassender Vergleich der Korrekturformeln Bazett, Fridericia, Framingham und Hodges über 13.000+ EKGs. Fridericia zeigte die beste Frequenzunabhängigkeit (r=0,04 vs. r=0,32 für Bazett). HeartLab implementiert alle vier Formeln, mit Fridericia als Standard für seine überlegene Genauigkeit.

Die maßgebliche Datenbank von Medikamenten, die das QT-Intervall verlängern, gepflegt von klinischen Pharmakologen. Über 200 Medikamente mit Risikokategorien (Bekanntes Risiko, Mögliches Risiko, Bedingtes Risiko). Die QTc-Überwachung von HeartLab ist besonders wertvoll für Patienten, die Medikamente aus diesem Register einnehmen.

PVCs treten bei 75% gesunder Personen im 24h-Holter-Monitoring auf. PVC-Burden < 10% ist generell gutartig; Burden > 15-20% birgt das Risiko einer PVC-induzierten Kardiomyopathie. HeartLab zählt den PVC-Burden pro Aufnahme und verfolgt Trends über die Zeit.

Niedrige HRV sagt unabhängig die kardiale Mortalität vorher. Post-MI-Patienten mit niedriger HRV haben ein 3,2-fach höheres Risiko für plötzlichen Tod. HeartLab leitet HRV-Metriken (SDNN, RMSSD) direkt aus der R-R-Intervallanalyse jeder EKG-Aufnahme ab.

Zeigte, dass häufige PVCs (>24% Burden) eine reversible Kardiomyopathie verursachen können. Die Katheterablation des PVC-Fokus führte bei 82% der Patienten innerhalb von 6 Monaten zur Normalisierung der linksventrikulären Funktion. Unterstreicht die klinische Bedeutung der PVC-Burden-Verfolgung — eine Kernfunktion von HeartLab.

Der internationale Standard für die Messung und Interpretation der Herzfrequenzvariabilität. Definiert Zeitdomänen-Metriken (SDNN, RMSSD, pNN50) und Frequenzdomänen-Metriken (LF, HF, LF/HF-Verhältnis). HeartLab berechnet HRV nach diesen validierten Standards für jede EKG-Aufnahme.

Die R-Peak-Erkennung von HeartLab basiert auf dem Pan-Tompkins-Algorithmus — dem Goldstandard der QRS-Erkennung — erweitert um adaptive Amplitudenschwellen, medianbasierte Filterung und qualitätsbewusste Verarbeitung, optimiert für Einkanal-Apple-Watch-EKG-Daten.

Der ML-basierte Beat-Klassifikator von HeartLab verwendet relative Herzfrequenzinformationen und morphologische Analyse zur Klassifizierung von PVCs, PACs und normalen Schlägen. Trainiert und validiert anhand der MIT-BIH Arrhythmia Database — dem Standard-Benchmark für die Validierung von EKG-Algorithmen.

HeartLab folgt den AHA 2024-Leitlinien für die Arrhythmie-Klassifizierung und Erkennungsschwellen. QTc-Normalbereiche, PVC-Burden-Risikostratifizierung und AFib-Erkennungskriterien entsprechen dem aktuellen klinischen Konsens.

Framework für die automatisierte EKG-Signalqualitätsbewertung mit mehreren Qualitätsindikatoren. HeartLab implementiert eine 6-Faktor-Signalqualitätsanalyse (Grundliniendrift, Rauschpegel, Lead-off-Erkennung, QRS-Amplitude, Signalsättigung und Herzfrequenzplausibilität), um sicherzustellen, dass nur zuverlässige Aufnahmen analysiert werden.

Validierung des CHA₂DS₂-VASc-Scores zur Vorhersage des Schlaganfallrisikos bei Vorhofflimmern-Patienten. Empfohlen von ESC- und AHA/ACC-Leitlinien zur Steuerung der Antikoagulationstherapie. Der kostenlose QTc-Rechner und die CHA₂DS₂-VASc-Tools von HeartLab implementieren diese validierten Bewertungssysteme.