Analyse von EEG & Schlafstudien (Polysomnographie)

Ein 24-Stunden- oder mehrtägiges EEG auszuwerten oder eine Schlafstudie über die ganze Nacht in 30-Sekunden-Epochen zu bewerten, ist langsame Spezialarbeit mit spürbarer Variabilität zwischen den Auswertenden. Deep-Learning-Modelle lesen Aufzeichnungen heute vor: Sie markieren epileptiforme Entladungen und Anfälle, bestimmen Schlafstadien und bewerten Atemereignisse, sodass Ärztinnen und Ärzte bestätigen und unterschreiben, statt von Grund auf zu markieren. Die Werkzeuge sind regulierte Medizinprodukte-Software (MDR in der EU, FDA 510(k) in den USA) und werden als Assistenz- oder Triage-Hilfen eingesetzt.

Problem & Nutzen

• Heute: EEG-Assistenz und Neurologen blättern durch Stunden bis Tage mehrkanaliger Signale; Schlafassistenz bewertet die Polysomnographie (PSG) manuell nach AASM-Regeln, typischerweise 1-2 Stunden je Studie. Neurophysiologie und Schlafmedizin sind kapazitätsbegrenzt, daher sind Wartelisten lang und das kontinuierliche EEG (cEEG) auf der Intensivstation wird oft nicht in Echtzeit befundet.
• KI-Nutzen: kürzere Befundungszeit, schnellere Triage dringender Befunde (nicht-konvulsive Anfälle auf der Intensivstation), konsistentere Bewertung über Standorte hinweg und Skalierung der Heim-Schlaftestung. Studien zu autoSCORE berichten von Sensitivität auf Expertenniveau bei der Triage von Routine-EEG in normal vs. auffällig, und das automatische Schlafstadien-Scoring erreicht eine Übereinstimmung mit menschlichen Bewertern nahe an der Übereinstimmung der Bewerter untereinander [1][2][3].
• Kein Ersatz: Alle regulierten Produkte verstehen die Ausgabe als Vorschlag, den eine qualifizierte Ärztin bzw. ein qualifizierter Arzt prüft; falsch negative Befunde bei seltenen Mustern bleiben das zentrale Problem.

Varianten

• Routine- und ambulantes EEG: Erkennung von Spikes/Sharp Waves, Triage normal vs. auffällig, standardisierte Befunderstellung im SCORE-Stil.
• Intensivstation / Langzeit-Video-EEG-Monitoring: Anfallserkennung, Trendanzeigen (quantitatives EEG), Alarme.
• Neonatales EEG: Anfallserkennung auf der Neugeborenen-Intensivstation (spezialisierte Modelle, separate Validierung).
• Polysomnographie im Schlaflabor: Schlafstadien, Arousals, Beinbewegungen, Bewertung von Apnoen/Hypopnoen.
• Heim-Schlafapnoe-Testung: vereinfachte Kanalsätze; Wearables für Verbraucher (PERS-002) sind nicht PSG-tauglich.

So funktioniert es

1. acquisition (EEG amplifier / PSG recorder, EDF export or vendor API)
2. pre-processing (filtering, montage, resampling, artefact rejection)
3. model inference (CNN / transformer on windows or 30 s epochs)
4. event / epoch labels with confidence (spikes, seizures; sleep stage, apnea, arousal)
5. review UI: technologist or physician accepts, edits, rejects markers
6. draft report (structured findings, optional LLM text drafting)
7. physician sign-off
8. EHR / neurophysiology or sleep information system

• Modelle: Faltungs- und rekurrente Netze, zunehmend Transformer und selbstüberwachte EEG-Foundation-Modelle auf rohen mehrkanaligen Zeitreihen. Modelle für Schlafstadien nutzen C3/C4/O- EEG plus EOG/EMG; die Atembewertung nutzt die Kanäle Atemfluss, Atemanstrengung und SpO2.
• Mensch-in-der-Schleife (Human-in-the-Loop): Prüfung und Unterschrift durch eine Ärztin bzw. einen Arzt sind Pflicht; Korrekturen der Assistenz werden protokolliert und sollten in die Qualitätsüberwachung einfließen. Dringende Alarme auf der Intensivstation brauchen definierte Eskalationswege.
• LLM-Schicht (optional): entwirft Befundtexte aus validierten strukturierten Befunden; sie darf selbst keine Befunde erzeugen (siehe HLTH-011).

Datenaufbereitung

Die Daten sind EEG- und PSG-Aufzeichnungen im EDF/EDF+- oder Herstellerformat, Annotationen der Assistenz, frühere Befunde und Patientenmetadaten. Sie liegen in den EEG-/PSG-Erfassungssystemen, auf Abteilungs-Dateiablagen oder PACS-ähnlichen Archiven, im Krankenhausinformationssystem und manchmal in Papierbefunden. Typische Lücken: proprietäre Formate, uneinheitliche Kanalnamen und Montagen, unterschiedliche Abtastraten, fehlende oder freitextliche Annotationen, Uneinigkeit der Bewertenden, Aufzeichnungen ohne Ergebnislabels und unklare Zugriffsrechte zwischen den Abteilungen.

Aufbereitungsschritte: Aufzeichnungen und Formate erfassen (PREP-001), mit einer harmonisierten Kanalzuordnung in EDF konvertieren, etwa mit MNE-Python oder Hersteller-Exportern (PREP-007), Papierbefunde digitalisieren (PREP-006), Annotationskategorien nach AASM-Regeln festlegen (PREP-019), ein lokales Validierungsset aufbauen, das von zwei Experten bewertet wird (PREP-018), und Exporte pseudonymisieren (PREP-022). Bei einem gekauften Produkt sind Integration und lokale Validierung der Hauptaufwand, etwa 20 bis 30 Prozent; beim Training eines eigenen Modells erreicht die Datenarbeit 60 Prozent oder mehr. Nutzen Sie GUIDE-003 für die Bereitschaftsprüfung.

Umsetzungswege

Welcher Weg für wen

• Unternehmen (Krankenhäuser, private Schlaflabore): Weg A, weil CE-gekennzeichnete EEG- und PSG-Scoring-Produkte sich in bestehende EEG-Systeme integrieren und die erforderliche MDR-Konformität mitbringen.
• Entwickler: Weg C, weil Open-Source-EEG-Werkzeuge und offene Modelle (z. B. Pipelines auf Basis von MNE-Python, Modelle für Schlafstadien) für Forschung und Prototypen auf einer GPU laufen.
• Öffentlicher Sektor (Universitäts- und Kommunalkliniken): Weg A mit zertifizierten Produkten, On-Premises oder in EU-Clouds betrieben, weil Vergaberecht und Medizinprodukterecht zertifizierte Lösungen gegenüber Eigenbauten begünstigen.

Weg A — Kaufen (Standardsoftware) (empfohlen)

• EEG: autoSCORE (Holberg EEG, Norwegen/Europa, CE-gekennzeichnet, in mehrere EEG-Systeme integriert), encevis (AIT Austrian Institute of Technology, Österreich; CE-gekennzeichnete Erkennung von Anfällen/Spikes), Persyst (USA; weit verbreitet auf Intensivstationen und in Epilepsie-Monitoring-Einheiten), Plattformen von Natus und Nihon Kohden mit eingebetteter Erkennung, Ceribell (USA; Schnell-EEG mit Anfallserkennung am Behandlungsort).
• Schlaf: Philips Somnolyzer (Philips / Linie Somnolyzer 24x7, Scoring der PSG), EnsoSleep (EnsoData, USA), Cerebra sowie Scoring-Module von Compumedics und Nox Medical. Viele haben eine FDA-Freigabe; für die EU prüfen Sie das CE-Zertifikat und die Zweckbestimmung.
• A wählen, wenn: Sie zertifizierte, integrierte Software brauchen. Bestehen Sie auf MDR-Zertifikat, Zweckbestimmung, lokaler Validierung, Integration in KIS/EEG-System und Hosting in der EU oder Betrieb On-Premises.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Für die Kernerkennung nicht geeignet: Keine allgemeine Frontier-API ist für EEG/PSG validiert, und Patientenwellenformen an ein Cloud-Modell zu streamen ist nach DSGVO und MDR kaum zu rechtfertigen.
• Sinnvolle Cloud-Nutzungen: de-identifizierte Forschungspipelines in EU-Regionen (Azure, AWS, Google Cloud), LLM-Entwurf von Befundtext aus strukturierten Befunden über eine API in einer EU-Region, Qualitäts-Dashboards.
• Jeder klinische Produktiveinsatz eines selbst zusammengestellten Modells macht Sie zum Hersteller (siehe Risiken).

Weg C — Selbst betreiben (Open Source)

• Schlafstadien: YASA (Python, Open Source, gegen große PSG-Datensätze validiert), U-Sleep (offenes Modell, veröffentlicht in npj Digital Medicine), SleepTransformer sowie Werkzeuge vom Typ SleepECG.
• EEG: MNE-Python für die Verarbeitung, Braindecode (PyTorch) mit Modellen wie EEGNet und offenen Foundation-Modellen (LaBraM, BIOT, CBraMod) für die Forschung. Detektoren für Anfälle/Spikes aus akademischen Gruppen (z. B. SeizureTransformer, Modelle im Stil von SPaRCNet) existieren, sind aber Forschungsqualität.
• Daten: TUH-EEG-Korpus, CHB-MIT, NSRR (National Sleep Research Resource) sowie die Kohorten SHHS/MESA.
• Hardware: HW1-HW2; Inferenz auf CPU oder einer einzelnen GPU mit 16-24 GB genügt; Training braucht HW2/HW3.
• Status: geeignet für Forschung, retrospektive Audits und interne Werkzeuge, nicht für klinische Entscheidungen, solange nicht zertifiziert.

Weg D — Eigenes Training

• Lohnt sich für Krankenhäuser oder Hersteller mit großen annotierten Archiven oder besonderen Populationen (Neugeborene, Intensivstation, Pädiatrie). Es braucht tausende von Experten annotierte Stunden, Konsens-Labels mehrerer Bewerter, externe Validierung über Standorte hinweg und ein MDR-konformes Qualitätssystem (ISO 13485, IEC 62304, ISO 14971). Föderiertes Lernen ist für Daten mehrerer Zentren attraktiv.

Stand der Technik (2026)

• Schlafstadien: Tiefe Modelle erreichen auf großen Datensätzen die Übereinstimmung der Bewerter untereinander (typisches Cohens Kappa um 0,7-0,8 gegenüber dem Konsens), mit schwächerer Leistung bei N1, bei Patienten mit Begleiterkrankungen und bei Geräte- oder Populationsverschiebung [3].
• EEG: autoSCORE und vergleichbare Systeme schneiden bei der Triage normal/auffällig und bei häufigen epileptiformen Mustern im Routine-EEG gut ab; die Anfallserkennung auf der Intensivstation verkürzt die Befundungszeit, erzeugt aber Fehlalarme durch Artefakte. Seltene Muster, enzephalopathische Rhythmen und neonatales EEG bleiben schwieriger [1][2].
• Foundation-Modelle: Selbstüberwachte EEG-Modelle (LaBraM, BIOT und Nachfolger) verbessern den Transfer bei wenigen Labels, sind aber überwiegend im Forschungsstadium.
• Grenzen und Fehlerbilder: Artefakte (Muskel, Elektroden-Pop, EKG), die für Entladungen gehalten werden; Verteilungsverschiebung über Verstärker und Montagen hinweg; verzerrte oder kleine Trainingskohorten; Automationsbias bei den Befundenden; und schwache Leistung bei seltenen Syndromen. Lokale Validierung ist unverzichtbar.

Gemeinsame Bausteine & Kombinationen

• Gleiche Fähigkeiten (time-series, anomaly-detection, streaming): HLTH-013 EKG-Analyse, HLTH-007 Fernüberwachung und HLTH-012 Warnung bei Verschlechterung teilen Wellenform-Pipelines, Edge-Inferenz und Alarm-Weiterleitung; die PSG enthält ebenfalls EKG- und SpO2-Kanäle.
• Nachbarn: HLTH-032 (neuronale Schnittstellen dekodieren Signale zur Steuerung, nicht zur Diagnose), HLTH-019 (Stimm-Biomarker), PERS-002 (Schlaf-Coaching für Verbraucher).
• Nachgelagert: HLTH-011 Befunderstellung, HLTH-004 Entscheidungsunterstützung, HLTH-005 Kodierung.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis wenige Monate (Integration in das EEG-/PSG-System, lokale Validierungsstudie); Lizenz je Studie, je Arbeitsplatz oder je Standort.
• Weg C: 3-6 Monate für eine Pipeline in Forschungsqualität; die Personalkosten dominieren.
• Weg D: 12+ Monate und ein QMS, wenn das Ziel ein zertifiziertes Produkt ist.
• Kennzahlen: Befundungszeit je Studie, Sensitivität/Spezifität gegenüber Konsensbefunden, Fehlalarme pro Stunde (Intensivstation), Kappa der Schlafstadien, Zeit bis zum Befund, Anteil der von Klinikern bearbeiteten KI-Markierungen, Rückstand und Wartezeit, Zeit bis zur Behandlung bei dringenden Befunden.

Menschen & Veränderung

Binden Sie zuerst die Chefärztin bzw. den Chefarzt und die Abteilungsleitung der Neurologie oder Schlafmedizin ein, dann EEG-Assistenz und Schlafmedizinerinnen als tägliche Nutzer, die IT für die Integration, die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten und die Dateneigentümer der Aufzeichnungsarchive. Die Geschäftsleitung entscheidet über Budget und Beschaffung; Recht prüft den MDR-Status und die Haftung.

Betriebsrat: hängt vom Einzelfall ab. Scoring-Software, die protokolliert, welche Assistenzkraft welche Markierung akzeptiert oder korrigiert hat, ist objektiv geeignet, Verhalten oder Leistung zu überwachen, was die Mitbestimmung nach §87 Abs. 1 Nr. 6 BetrVG auslöst (BAG: Eignung genügt). Informieren Sie den Betriebsrat rechtzeitig, wenn sich Arbeitsabläufe durch KI ändern (§90 Abs. 1 Nr. 3); er kann einen KI-Sachverständigen hinzuziehen (§80 Abs. 3). Öffentliche Krankenhäuser: Personalrat nach BPersVG oder Landesrecht. Vereinbaren Sie, dass Korrekturen nicht für individuelle Leistungsbeurteilungen genutzt werden.

Datenschutzbeauftragte(r) und DSFA: Gesundheitsdaten, daher ist eine DSFA wahrscheinlich (Art. 35 DSGVO) und dazu ein AVV mit den Anbietern (Art. 28). KI-Kompetenz: Unterstützen Sie Beschäftigte mit Schulungen zu Automationsbias und Produktgrenzen (Art. 4 KI-Verordnung (AI Act); GUIDE-006). Starten Sie mit ein oder zwei erfahrenen Befundenden im Schattenmodus, vergleichen Sie mit deren Bewertung und lassen Sie die Ärztin bzw. den Arzt als finale Unterzeichnende. Typische Ängste sind Kompetenzverlust und Arbeitsplatzverlust; begegnen Sie ihnen mit transparenter Kommunikation und der Rolle als Prüfende. Siehe GUIDE-004, GUIDE-008, GUIDE-005.

Risiken, Regulierung & Compliance

• MDR: Diagnose- und Triage-Software ist in der Regel Medizinprodukte-Software, meist Klasse IIa oder höher nach Regel 11 der MDR (EU) 2017/745; prüfen Sie CE-Zertifikat, Zweckbestimmung und Benannte Stelle jedes Anbieters. Für den klinischen Einsatz im eigenen Haus entwickelte Software ohne Zertifizierung ist nur unter der Ausnahme für Gesundheitseinrichtungen nach Art. 5 Abs. 5 mit strengen Bedingungen erlaubt.
• KI-Verordnung (AI Act): Hochrisiko (Art. 6 Abs. 1 mit Anhang I): KI, die ein Medizinprodukt ist, das eine Konformitätsbewertung durch Dritte erfordert. Die Hochrisiko-Pflichten gelten für solche Produkte ab dem 2. August 2028 (Produkte nach Anhang I; vom August 2027 durch das Digital Omnibus on AI, Verordnung (EU) 2026/1744 verschoben). Betreiber müssen menschliche Aufsicht, Aufbewahrung von Protokollen und KI-Kompetenz (Art. 4) sicherstellen. Es greift kein Verbot nach Art. 5; das EEG dient hier der Diagnose, nicht der Emotionserkennung oder biometrischen Kategorisierung. Neurodaten zur Emotionserkennung am Arbeitsplatz oder in der Schule wären verboten, was hier nicht Gegenstand ist.
• DSGVO: EEG- und Schlafdaten sind Gesundheitsdaten (Art. 9), potenziell biometrieähnlich und stark identifizierend; erforderlich sind eine Rechtsgrundlage (Behandlung, Art. 9 Abs. 2 Buchst. h), DSFA, Auftragsverarbeitungsverträge, Hosting in der EU bzw. On-Premises und Pseudonymisierung für die Forschung. Grenzüberschreitende Übermittlung braucht Garantien. Der Europäische Gesundheitsdatenraum (EHDS) wird die Sekundärnutzung prägen.
• Minderung klinischer Risiken: lokale Validierung auf eigenen Daten, Leistungsüberwachung nach der Einführung, Überwachung nach dem Inverkehrbringen, verpflichtende ärztliche Prüfung, Prüfung auf Verzerrung nach Alter und Geschlecht sowie Rückfalllösungen bei Systemausfall.

Erste Schritte

1. Legen Sie den Umfang fest (Triage von Routine-EEG, cEEG auf der Intensivstation, PSG-Scoring) und messen Sie die Ausgangswerte für Befundungszeit und Rückstand.
2. Bilden Sie eine Shortlist von 2-3 CE-gekennzeichneten Produkten und fordern Sie das MDR-Zertifikat sowie veröffentlichte Validierungsstudien an.
3. Führen Sie eine retrospektive lokale Validierung an einigen hundert anonymisierten Studien mit Konsens-Labels von Experten durch.
4. Integrieren Sie zunächst im Schattenmodus, dann im Assistenzmodus mit protokollierten Korrekturen; definieren Sie die Alarm-Eskalation für die Intensivstation.
5. Richten Sie die Überwachung ein (Drift, Fehlalarme) und erfüllen Sie die Datenschutz-Folgenabschätzung und die Betreiberpflichten nach der KI-Verordnung.

Quellen

1. Holberg EEG - autoSCORE - https://www.holbergeeg.com/ (accessed 2026-10; vendor page, not independently verified)
2. Tveit J. et al., "Automated interpretation of clinical EEG using deep learning (autoSCORE)", JAMA Neurology 2023 - https://jamanetwork.com/journals/jamaneurology/fullarticle/2805187
3. Perslev M. et al., "U-Sleep: resilient high-frequency sleep staging", npj Digital Medicine 2021 - https://www.nature.com/articles/s41746-021-00440-5
4. Vallat R., Walker M., "An open-source, high-performance tool for automated sleep staging (YASA)", eLife 2021 - https://elifesciences.org/articles/70092
5. MNE-Python - https://mne.tools/
6. AASM Scoring Manual - https://aasm.org/clinical-resources/scoring-manual/
7. Regulation (EU) 2017/745 (MDR) - https://eur-lex.europa.eu/eli/reg/2017/745/oj
8. Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj
9. National Sleep Research Resource - https://sleepdata.org/