Onderzoekers van de Johns Hopkins University hebben een geavanceerd AI-model ontwikkeld dat het risico op plotselinge hartstilstand bij patiënten met een erfelijke hartaandoening aanzienlijk beter voorspelt dan bestaande richtlijnen. Het model, genaamd MAARS (Multimodal AI for Arrhythmia Risk Stratification), maakt gebruik van deep learning om informatie te extraheren uit contrastversterkte MRI-beelden en combineert die met medische dossiergegevens. De resultaten tonen aan dat deze aanpak levens kan redden én onnodige medische ingrepen kan voorkomen.
De studie richt zich op patiënten met hypertrofische cardiomyopathie (HCM), een erfelijke hartspierziekte die wereldwijd één op de 200 tot 500 mensen treft. Hoewel de meerderheid van deze patiënten een normaal leven leidt, is er een subgroep met een verhoogd risico op plotselinge hartstilstand, vaak zonder duidelijke symptomen vooraf. Tot nu toe bleek het een grote uitdaging om deze hoogrisicopatiënten tijdig en betrouwbaar te identificeren.
MAARS-model
Het MAARS-model onderscheidt zich door zijn vermogen om verborgen patronen in littekenweefsel, of fibrose, te detecteren. Dit littekenweefsel verhoogt het risico op dodelijke hartritmestoornissen, maar wordt in reguliere beeldvorming vaak onvoldoende benut. Terwijl artsen moeite hebben om deze data handmatig te interpreteren, analyseert het AI-model volledige MRI-opnames op pixelniveau en koppelt deze aan klinische uitkomsten. Het resultaat: een voorspellende nauwkeurigheid van 89 procent bij de algemene populatie en 93 procent voor mensen tussen de 40 en 60 jaar, de groep die het grootste risico loopt.
“De huidige richtlijnen halen amper 50 procent nauwkeurigheid het is praktisch dobbelen. Het MAARS kunnen we gericht voorspellen wie werkelijk gevaar loopt, en waarom”, aldus professor Natalia Trayanova, AI-expert in de cardiologie en senior onderzoeker bij het project waarvan de resultaten gepubliceerd zijn in Nature Communocations.
Opvallende transparantie
Naast de nauwkeurigheid is de transparantie van het model opvallend: MAARS legt uit waarom een patiënt tot een hoogrisicogroep behoort, waardoor artsen behandelbeslissingen beter kunnen onderbouwen en personaliseren. Hierdoor kunnen defibrillatoren gerichter worden ingezet, en blijven onnodige implantaties achterwege.
Het onderzoeksteam testte het model in zowel het Johns Hopkins Hospital als het Sanger Heart & Vascular Institute. Op basis van deze resultaten wil men de toepassing uitbreiden naar andere aandoeningen zoals cardiale sarcoïdose en aritmogene rechterventrikelcardiomyopathie.
De ontwikkeling laat het groeiende potentieel van multimodale AI in de cardiovasculaire zorg zien. Door medische beeldvorming te combineren met elektronische patiëntgegevens ontstaat een krachtig hulpmiddel voor risicostratificatie, dat een nieuwe standaard kan vormen voor preventie en gepersonaliseerde behandeling.
AI toepassingen voor onderzoek naar hartziekten
Vorig jaar hebben onderzoekers van het Children’s National Hospital een deep-learning systeem ontwikkeld dat echo’s gebruikt om reumatische hartziekte (RHD) bij kinderen te detecteren, met een nauwkeurigheid vergelijkbaar met die van cardiologen. De technologie analyseert mitralisklep-regurgitatie, een symptoem van RHD, in echobeelden en herkent bovendien subtiele variaties in hartgrootte en klepwerking die voor het menselijk oog onzichtbaar zijn. De vroege detectie van RHD maakt tijdige behandeling mogelijk (bijvoorbeeld met penicilline), en kan zo duizenden sterfgevallen voorkomen.
Eerder dit jaar berichtten wij over de doorontwikkeling van een bestaand AI-model door onderzoekers van Mount Sinai. Daarmee kan hypertrofische cardiomyopathie (HCM) sneller opgespoord worden. Door het algoritme klinisch te kalibreren, kan het nu kwantitatieve risicovoorspellingen doen op basis van ECG-gegevens, in plaats van alleen binaire classificaties. Dit helpt artsen om sneller en gerichter patiënten met een verhoogd risico te identificeren, wat vroegtijdige interventie mogelijk maakt en ernstige complicaties zoals plotselinge hartstilstand kan voorkomen. Het model is getest op 71.000 patiënten en verbeterde de nauwkeurigheid aanzienlijk.
