Herztod-Risiko: KI identifiziert 86,1% Hochrisiko-Patienten unerkannt
26.06.2026 - 01:39:45 | boerse-global.de
Eine Studie der Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU) vom 18. Juni 2026 zeigt: Das Gehirn sagt eintreffende Wörter aktiv voraus, statt sie nur passiv aufzunehmen. Diese Antizipation entspricht exakt der Funktionsweise von Large Language Models (LLM), die auf Wahrscheinlichkeiten basieren.
Die Forscher nutzten EEG- und MEG-Daten, um die Vorhersagemuster im Gehirn sichtbar zu machen. Die Erkenntnisse haben direkte klinische Relevanz: Ärzte könnten diese Muster künftig nutzen, um kognitive Defizite zu diagnostizieren oder personalisierte Sprachtherapien zu entwickeln. Auch Gehirn-Computer-Schnittstellen (BCI) profitieren – sie könnten neuronale Signale direkter in Sprache übersetzen.
Bilinguale Gehirne: Eine gemeinsame semantische Karte
Ein Forschungsteam veröffentlichte am 24. Juni 2026 in der Fachzeitschrift Cell eine Untersuchung an bilingualen Patienten. Die Analyse einzelner Neuronen im Hippocampus ergab: Bestimmte Nervenzellen reagieren sprachspezifisch, bilden aber eine gemeinsame semantische Karte. Die Forscher konnten die Position von Wörtern in einer Sprache (etwa Spanisch) basierend auf der neuronalen Repräsentation einer anderen Sprache (etwa Englisch) vorhersagen.
Die Ähnlichkeit zum KI-Modell mBERT ist verblüffend. Wie künstliche neuronale Netze organisieren auch menschliche Gehirne Konzepte sprachenübergreifend in einem abstrakten Raum. Das stützt die Theorie: Effektive Informationsverarbeitung folgt universellen mathematischen oder strukturellen Gesetzen.
KI erkennt Alzheimer Jahre vor den ersten Symptomen
KI-Systeme können das Risiko für eine Alzheimer-Erkrankung im Durchschnitt 8,55 Jahre vor dem Auftreten erster klinischer Symptome identifizieren. Grundlage ist die Analyse von Netzhautbildern – über 62.000 solcher Bilder wurden in Studien bereits ausgewertet.
Plötzlicher Herztod trifft oft ohne Vorwarnung – und Standard-EKGs übersehen 86% der Hochrisikopatienten. Eine neue KI-Methode erkennt das Risiko anhand eines übersehenen Biomarkers. Sichern Sie sich jetzt die Checkliste für Ihren persönlichen Risiko-Check. Jetzt kostenlosen Risiko-Check anfordern
Auch in der Kardiologie gibt es Fortschritte. Eine am 24. Juni 2026 in Nature veröffentlichte Studie der UC Berkeley beschreibt ein KI-Modell, das auf 440.000 Elektrokardiogrammen (EKG) trainiert wurde. Das System identifizierte bei 2,2 Prozent der Patienten ein hohes Risiko für einen plötzlichen Herztod. Entscheidend: Eine spezifische Abflachung der R-Zacke in der Ableitung aVL dient als bisher übersehener Biomarker. Ganze 86,1 Prozent dieser Hochrisikopatienten wurden von herkömmlichen Standardtests nicht erkannt.
Hardware nach dem Vorbild des Gehirns
Die Energieeffizienz des Gehirns wird zum Vorbild für neue Hardware. Das Unternehmen Q.ANT demonstrierte am 24. Juni 2026 auf einer Fachmesse in Hamburg eine photonische NPU der zweiten Generation. Diese Hardware nutzt Licht statt Elektronen und soll Diffusionsmodelle sowie xLSTM-Architekturen bis zu 30-mal energieeffizienter berechnen als herkömmliche Prozessoren.
OpenAI treibt parallel die Entwicklung eigener spezialisierter Inferenz-Chips voran. Ein gemeinsam mit Broadcom konzipierter Chip soll die Effizienz von Sprachmodellen erheblich steigern – der erste Einsatz ist für Ende 2026 geplant. Auch bei der Datenspeicherung gibt es Neuigkeiten: Das Fraunhofer IPMS und GlobalFoundries entwickeln in Dresden FRAM-Speicher auf Basis von Hafniumoxid. Diese nichtflüchtigen Speicher arbeiten mit unter einem Volt und erreichen Schaltzeiten im Nanosekundenbereich – ideal für KI-Anwendungen in Industrie und Automobilsektor.
Wenn KI an ihren eigenen Daten erstickt
Wussten Sie, dass eine spezifische Abflachung der R-Zacke im EKG auf ein erhöhtes Herztod-Risiko hinweist? Diese winzige Veränderung wird von Ärzten oft übersehen – eine KI kann sie erkennen. Holen Sie sich die Schritt-für-Schritt-Anleitung zur Risikoanalyse. Anleitung zur Risikoanalyse jetzt sichern
Trotz aller Fortschritte warnen Experten vor Risiken. Eine Studie zum sogenannten „Model Collapse“ belegt: Das Training von KI auf bereits KI-generierten Daten führt zu massivem Leistungsverlust und produziert unverständliche Inhalte. Mitte 2025 war bereits jede sechste neue Webseite KI-generiert – Unternehmen sichern sich daher verstärkt Zugriff auf authentische, von Menschen verfasste Texte.
Wissenschaftler der TU Graz betonen zudem die Problematik des KI-Bias. Trainingsdaten benachteiligen häufig Minderheiten oder ignorieren regionale Unterschiede. Die Gefahr: KI-Systeme zementieren soziale Ungerechtigkeiten oder benachteiligen neurodivergente Menschen durch unpassendes Design. Die Verantwortung für inklusivere Algorithmen liegt bei den entwickelnden Unternehmen.
