Zelflerend algoritme kan hartfalen voorspellen

Een nieuwe computer-algoritme op basis van kunstmatige intelligentie (AI) dat in staat is om subtiele veranderingen in elektrocardiogrammen (ECG’s) te identificeren, kan voorspellen wanneer een individu hartfalen ervaart. Het algoritme is ontwikkeld in het Mount Sinai Hospital en het onderzoek is gepubliceerd in de Journal of the American College of Cardiology: Cardiovascular Imaging.

Benjamin S. Glicksberg, PhD, is assistant-professor in de afdeling Genetica en Genomische Wetenschappen, lid van het Hasso Plattner Institute for Digital Health at Mount Sinai en senior auteur van de studie.

“We hebben aangetoond dat deep-learning-algoritmes bloedpompproblemen aan beide zijden van het hart kunnen herkennen vanuit ECG-golfvormgegevens”, zei Glicksberg. “Normaal gesproken vereist het diagnosticeren van dit soort hartcondities dure en tijdrovende procedures. We hopen dat dit algoritme een snellere diagnose van hartfalen mogelijk maakt.”

Nieuwe kansen met AI

Artsen hebben traditioneel een echocardiogram gebruikt, een beeldvormingstechniek, om te beoordelen of een patiënt hartfalen ervaart. Echter, deze zijn arbeidsintensief en alleen beschikbaar in sommige ziekenhuizen.

AI creëert nieuwe kansen op dit gebied, met onderzoek dat aangeeft dat elektrocardiogrammen een effectief alternatief kunnen zijn. Recent onderzoek heeft aangetoond dat een deep learning-algoritme zwakte in de linkerhartkamer kan detecteren. Het nieuwe onderzoek van Mount Sinai beschrijft de ontwikkeling van een algoritme dat de sterkte van de linkerhartkamer en de rechterhartkamer beoordeelt.

Girish N. Nadkarni, MD, MPH, CPH, is associate-professor in de afdeling Geneeskunde aan de Icahn School of Medicine at Mount Sinai, hoofd van de afdeling Data-Driven and Digital Medicine (D4M) en senior auteur van het onderzoek.

“Hoewel aantrekkelijk, is het traditioneel moeilijk voor artsen om ECG’s te gebruiken om hartfalen te diagnosticeren. Dit komt deels doordat er geen vastgestelde diagnostische criteria zijn voor deze beoordelingen en omdat sommige veranderingen in ECG-uitslagen te subtiel zijn voor het menselijk oog om te detecteren”, zei Dr. Nadkarni. “Deze studie vertegenwoordigt een spannende stap voorwaarts in het vinden van informatie verborgen in de ECG-gegevens die kan leiden tot betere screenings- en behandelingsparadigma’s met behulp van een relatief eenvoudige en breed beschikbare test.”

Programmeren en testen van de machine

De onderzoekers programmeerden een computer om patiënt-ECG’s en gegevens uit geschreven rapporten te lezen, met de laatste als een standaardset gegevens voor de computer om te vergelijken met de ECG-gegevens. Dit stelde het in staat om zwakke harten te identificeren.

Met natuurlijke taalverwerking (NLP)-programma’s kon de computer deze gegevens uit de geschreven woorden extraheren. Tegelijkertijd konden neurale netwerken patronen in afbeeldingen ontdekken, die vervolgens in het algoritme konden worden geïntegreerd om het te helpen pompsnelheden te herkennen.

“We wilden de staat van de kunst verder ontwikkelen door AI te ontwikkelen die het hele hart gemakkelijk en goedkoop kan begrijpen”, zei Dr. Vaid.

De machine analyseerde 700.000 ECG’s en echocardiogramrapporten, die afkomstig waren van vier verschillende ziekenhuizen. Een vijfde ziekenhuis werd gebruikt om te testen hoe het algoritme zou presteren in een andere experimentele omgeving.

“Een potentieel voordeel van deze studie is dat het een van de grootste verzamelingen ECG’s uit een van de meest diverse patiëntpopulaties ter wereld omvat”, zei Dr. Nadkarni.

Het algoritme toonde een effectieve mogelijkheid om te voorspellen welke patiënten een gezonde of zwakke linkerhartkamer zouden hebben, en het was 94 procent nauwkeurig bij het voorspellen van welke patiënten een gezonde ejectiefractie hadden, wat de hoeveelheid vloeistof is die de hartkamer met elke slag pompt. Het algoritme was ook 87 procent nauwkeurig bij het voorspellen van patiënten met een ejectiefractie onder de 40 procent.

Een van de gebieden die nog steeds aandacht behoeven, is de voorspelling van welke patiënten een licht verzwakt hart zouden hebben. Het algoritme had slechts een nauwkeurigheidspercentage van 73 procent bij het voorspellen van patiënten met een ejectiefractie tussen de 40 en 50 procent.

Het algoritme kon ook rechterklepzwaktes uit de ECG’s detecteren, met een nauwkeurigheidspercentage van 84 procent bij het voorspellen van welke patiënten zwakke rechterkleppen hadden.

“Onze resultaten suggereren dat dit algoritme mogelijk kan helpen artsen om hartfalen aan beide zijden van het hart correct te diagnosticeren”, zei Dr. Vaid.

Een ander belangrijk punt van dit onderzoek was dat het aangaf dat de AI effectief kon zijn bij het detecteren van hartzwakte bij alle patiënten, ongeacht ras en geslacht.

“Onze resultaten suggereren dat dit algoritme een nuttig instrument kan zijn voor het helpen van klinische praktijken om hartfalen te bestrijden dat wordt ervaren door een verscheidenheid aan patiënten”, voegde Dr. Glicksberg toe. “We zijn bezig met het zorgvuldig ontwerpen van prospectieve onderzoeken om de effectiviteit ervan te testen in een meer realistische omgeving.”