Viele epileptische Anfälle werden im Alltag nicht bemerkt oder nicht dokumentiert. Das gilt besonders für Anfälle bei denen nur ein Teil des Gehirns betroffen ist (fokaler Anfall) mit eingeschränktem Bewusstsein. Ein interdisziplinäres Team aus der Medizinischen Informatik und der Sektion Epileptologie (Klinik für Neurologie) der Uniklinik RWTH Aachen hat untersucht, ob ein im Alltag tragbares EKG-Gerät solche Anfälle automatisch erkennen kann. Die Ergebnisse zeigen: Eine automatische Erkennung ist prinzipiell möglich, allerdings wird eine sehr gute Datenqualität benötigt. Eine Anwendung in der Patientenversorgung ist daher denkbar, benötigt aber weitere Forschung und Entwicklung.
Hintergrund und Problemstellung
Epilepsie geht mit wiederkehrenden Anfällen einher. Für die Steuerung der Behandlung ist es wichtig, deren Häufigkeit zu kennen. In der Praxis werden Anfälle oft nicht vollständig erfasst, insbesondere fokale Anfälle mit Bewusstseinsstörung.
Die gleichzeitige Messung und Gehirnströmen (EEG) und Aufzeichnung der Patientinnen und Patienten(Video-Elektroenzephalographie) gilt als Standard zur Anfallserkennung, ist jedoch aufwendig und nicht für den dauerhaften Einsatz im Alltag geeignet. Tragbare Geräte können kontinuierlich Daten erfassen. Allerdings kann die Qualität der Messdaten etwa durch Bewegung oder schlechten Hautkontakt variieren und so die Zuverlässigkeit beeinträchtigen.
Was wurde erforscht?
Die Studie wurde an drei Epilepsiezentren durchgeführt. 47 Patientinnen und Patienten trugen während einer mindestens 24-stündigen Video-EEG-Überwachung zusätzlich ein EKG-Gerät am Brustkorb. Die ärztlich im Video-EEG markierten Anfälle dienten als Referenz.
Das System analysierte die Herzaktivität und die sogenannte Herzratenvariabilität, also die zeitlichen Abstände zwischen Herzschlägen. Zusätzlich wurde automatisch geprüft, ob die Datenqualität für eine verlässliche Auswertung ausreicht. Die Anfallserkennung erfolgte anschließend mithilfe eines Modells der künstlichen Intelligenz.
Die wichtigsten Ergebnisse
Bei ausreichender Datenqualität erkannte der Algorithmus bei mehr als der Hälfte der Patientinnen und Patienten mehr als zwei-drittel (66%) der Anfälle. Die Zahl der Fehlalarme lag bei 5,2 Fehlalarmen pro 24 Stunden. In einer Untergruppe von 20 Patientinnen und Patienten wurde eine besonders hohe Erkennungsrate erreicht: Bei mehr als der Hälfte der Patientinnen und Patienten wurden alle Anfälle erkannt (100% Sensitivität) und 4,3 Fehlalarme pro 24 Stunden ausgelöst. Wurden Daten geringer Qualität nicht ausgeschlossen, sank die Erkennungsrate, während die Zahl der Fehlalarme anstieg.
Was bedeutet das?
Tragbare EKG-Systeme könnte die Anfallserfassung sinnvoll ergänzen. Die automatische Qualitätsprüfung spielt dabei eine zentrale Rolle: Sie stellt sicher, dass Ergebnisse nur bei ausreichender Datenqualität ausgegeben werden und macht zudem auf mögliche Messprobleme aufmerksam. Gleichzeitig profitieren nicht alle Patient*innen gleichermaßen. Während einige deutliche Veränderungen der Herzaktivität während eines Anfalls zeigen, sind diese bei anderen weniger ausgeprägt. Die Studie wurde unter kontrollierten Bedingungen im Krankenhaus durchgeführt. Für den Einsatz im Alltag sind weitere Untersuchungen erforderlich.
„Unsere Ergebnisse zeigen, dass ein tragbares EKG fokale Anfälle mit Bewusstseinsstörung bei geeigneter Datenqualität zuverlässig erkennen kann“, sagt Mohamed Alhaskir. „Zukünftige Entwicklungen sollten darauf abzielen, diese Ansätze weiter zu verbessern und für möglichst viele Patientinnen und Patienten nutzbar zu machen“, ergänzt Yvonne Weber.
Die Studie wurde hier veröffentlicht: Mohamed Alhaskir, Ekaterina Kutafina, Florian Linke, Florian P. Fischer, Elisabeth Schriewer, Stephan Lauxmann, Kevin Klett, Julian Hofmeister, Florian Lutz, Lukas Burow, Michal Cicanic, Sara Khosrawikatoli, Stefan Wolking, Thomas Mayer, Sandor Beniczky, Josua Kegele, Rainer Röhrig, Henner Koch, Yvonne Weber: Reliable detection of focal onset impaired awareness seizures in patients with epilepsy using wearable ECG: Development and validation study. Computer Methods and Programs in Biomedicine, 2026. https://doi.org/10.1016/j.cmpb.2026.109295
