Onderzoekers van Mount Sinai laten zien dat kunstmatige intelligentie kan bijdragen aan een eerdere en toegankelijkere diagnose van chronische obstructieve longziekte (COPD). In een nieuwe studie tonen zij aan dat diepe neurale netwerken, toegepast op standaard elektrocardiogrammen (ECG’s), met hoge nauwkeurigheid COPD kunnen herkennen. Zelfs voordat de aandoening formeel klinisch is vastgesteld.
COPD is wereldwijd een belangrijke oorzaak van ziekte en sterfte. Vroege diagnose is cruciaal om ziekteprogressie te remmen, maar wordt in de praktijk vaak bemoeilijkt door aspecifieke klachten en diagnostiek die tijdrovend en kostbaar is, zoals longfunctieonderzoek. Het gebruik van ECG’s, een laagdrempelig en breed beschikbaar diagnostisch instrument, zou hierin verandering kunnen brengen.
Deep learning op bestaande data
Het onderzoeksteam van Mount Sinai gebruikte een convolutioneel neuraal netwerk om ECG’s te analyseren. Daarbij werd gekeken of het model in staat was om een nieuwe COPD-diagnose te voorspellen, zoals vastgelegd in internationale ICD-codes. De analyse maakte gebruik van data uit het GE MUSE-systeem, waarin ECG’s als ruwe golfvormen beschikbaar zijn. In totaal werden meer dan 208.000 ECG’s geanalyseerd, afkomstig van ruim 18.000 patiënten met COPD en ruim 49.000 gematchte controles.
De dataset omvatte ECG’s van vijf ziekenhuizen binnen het Mount Sinai Health System in New York, aangevuld met externe data van een ander ziekenhuis en van COPD-patiënten uit de UK Biobank. Daarmee werd het model getest op een demografisch diverse populatie en in verschillende zorgcontexten.
De prestaties van het AI-model bleken consistent sterk. In interne validatie behaalde het model een AUC van 0,80, in externe validatie 0,82 en in de Britse cohort 0,75. Verdere analyses toonden een verband tussen de voorspellingen van het model en spirometrische gegevens. Verklaarbare AI-methoden lieten zien dat met name veranderingen in de P-top van het ECG een belangrijke rol speelden, een bekend indirect teken van COPD-gerelateerde belasting van het hart. Het onderzoek is onlangs gepubliceerd in eBioMedicine van The Lancet.
Klinische relevantie
Volgens Monica Kraft, longarts en onderzoeker bij Mount Sinai, is dit de eerste studie die laat zien dat deep learning op basis van standaard 10-seconden ECG’s COPD betrouwbaar kan detecteren in grote, real-world cohorten. “ECG’s zijn goedkoop, breed beschikbaar en blijken subtiele fysiologische veranderingen vast te leggen die samenhangen met COPD, ook in een vroeg stadium,” stelt zij. Daarbij benadrukt ze dat het onderzoek zich onderscheidt door robuuste externe validatie en analyses in relevante subgroepen, zoals patiënten met hartritmestoornissen en rookgeschiedenis.
Ook Girish Nadkarni, medeonderzoeker bij Mount Sinai, ziet brede implicaties. Door de diagnostische waarde van ECG’s met AI te vergroten, ontstaat volgens hem een kans om COPD eerder te behandelen en zo ernst en kosten van de ziekte te beperken. “Dit opent perspectief voor toepassing in regio’s waar toegang tot gespecialiseerde longdiagnostiek beperkt is,” aldus Nadkarni. Daarnaast biedt de studie een basis voor verdere integratie van AI met andere routinematige diagnostische hulpmiddelen.
De resultaten laten zien dat bestaande zorgdata, gecombineerd met geavanceerde AI, kunnen bijdragen aan eerdere detectie en preventie. In een tijd waarin de druk op zorgsystemen toeneemt, laat dit onderzoek zien hoe digitale innovatie kan helpen om chronische aandoeningen eerder, efficiënter en mogelijk ook eerlijker op te sporen.
AI-ECG’s
Het toevoegen van AI-oplossingen voor het analyseren van ECG’s is zeker niet nieuw. Een onderzoek dat enkele maanden geleden werd gepubliceerd toonde aan dat een AI-gestuurd ECG-systeem ernstige hartaanvallen, met name STEMI’s, nauwkeuriger kan herkennen dan huidige triagemethoden. Het AI-model, “Queen of Hearts”, is ontwikkeld om zowel klassieke als atypische patronen van acute kransslagaderocclusie te detecteren.
In een analyse van 1.032 patiënten in drie Europese PCI-centra presteerde het systeem duidelijk beter dan standaard ECG-beoordeling. Van de 601 bevestigde STEMI’s werden er 553 correct geïdentificeerd door AI, tegenover 427 met conventionele interpretatie. Tegelijkertijd daalde het aantal valse positieven sterk, van 41,8 naar 7,9 procent. Dat betekent minder onnodige spoedactiveringen en efficiëntere inzet van zorgteams. Onderzoekers benadrukken dat AI vooral waardevol is bij het eerste medische contact, waar snelle besluitvorming cruciaal is. Tegelijkertijd blijft menselijke expertise essentieel en is verdere validatie nodig voordat brede klinische toepassing volgt.
Auteur
