Leichtgewichtiges Modell prognostiziert Vorhofflimmern 2 Stunden vor Auftreten
Ein neues Deep‑Learning‑System aus dem Open‑Source‑Repository arXiv (Version 2508.19361v1) kann das Vorhofflimmern (AF) bereits bis zu zwei Stunden vor dem eigentlichen Auftreten vorhersagen. Das Modell nutzt ausschließlich die RR‑Intervalle aus der Herzfrequenz, wodurch die Datenmenge stark reduziert wird.
Die Architektur kombiniert eine Temporal‑Convolutional‑Network‑Komponente für die Positionskodierung mit dem selektiven State‑Space‑Modell Mamba. Durch diese Kombination erreicht das System eine Sensitivität von 0,908, eine Spezifität von 0,933 und einen F1‑Score von 0,930. Der AUROC liegt bei 0,972 und der AUPRC bei 0,932 – Werte, die die Genauigkeit deutlich über herkömmlichen CNN‑RNN‑Ansätzen hinaus steigern.
Ein besonderer Vorteil ist die enorme Kompaktheit: Das Modell besteht aus lediglich 73.500 Parametern und benötigt 38,3 MFLOPs. Damit ist es nicht nur genauer, sondern auch deutlich ressourcenschonender. Mit nur 30 Minuten Eingangsdaten kann es die Entwicklung von paroxysmalem AF frühzeitig erkennen und somit präventive Therapien wie Beta‑Blocker oder katecholamin‑sparende Mittel rechtzeitig einsetzen.
Die Forschung unterstreicht, dass eine frühzeitige Vorhersage von AF die Gefahr von Schlaganfällen, Herzinsuffizienz und anderen kardiovaskulären Komplikationen erheblich senken kann. Das neue Modell bietet damit einen vielversprechenden Ansatz für die klinische Praxis, um Patienten frühzeitig zu schützen und die Lebensqualität zu verbessern.