AI-gebaseerde multiomics-profilering onthult aanvullende omics-bijdragen aan gepersonaliseerde voorspelling van hart- en vaatziekten

Waarom het belangrijk is hartproblemen vroeger te voorspellen

Hartziekten en beroertes blijven ’s werelds grootste doodsoorzaken en kunnen vaak ogenschijnlijk gezonde mensen plotseling treffen. Artsen gebruiken al controlelijsten met leeftijd, bloeddruk, cholesterol en rookgedrag om risico in te schatten, maar deze instrumenten missen veel toekomstige patiënten en overschatten het gevaar bij anderen. Deze studie stelt een actueel vraagstuk: als we dieper kijken naar de moleculen die in ons bloed circuleren en die analyseren met kunstmatige intelligentie, kunnen we dan hart- en vaatziekten jaren voordat ze optreden ontdekken — en preventie op maat voor ieder individu mogelijk maken?

In het bloed zoeken naar verborgen waarschuwingssignalen

De onderzoekers gebruikten de UK Biobank, een omvangrijk gezondheidsonderzoek dat honderdduizenden vrijwilligers jarenlang volgt. Voor een subset van deze deelnemers hadden wetenschappers zorgvuldig duizenden moleculen in bloedmonsters gemeten: kleine metabolieten gerelateerd aan vetten, suikers en aminozuren, en eiwitten die betrokken zijn bij ontsteking, stolling en andere lichaamsprocessen. Het team richtte zich op zes belangrijke cardiovasculaire aandoeningen — coronaire hartziekte, beroerte, hartfalen, boezemfibrilleren, perifere vaatziekte en veneuze bloedstolsels — om te onderzoeken of deze moleculaire vingerafdrukken konden voorspellen wie welke ziekte zou ontwikkelen.

De kunstmatige intelligentie leren moleculaire patronen te lezen

Om bijna 3.000 eiwitten en 168 metabolieten te doorgronden bouwden de auteurs twee deep learning-modellen, MetNet en ProNet. In plaats van één ziekte per keer te voorspellen, leerden deze modellen patronen die verband hielden met alle zes cardiovasculaire uitkomsten tegelijk. Uit de metabolietgegevens genereerde MetNet een gecombineerde risicoscore genaamd MetScore; uit de proteïnegegevens leverde ProNet ProScore op. Zo kreeg ieder persoon zes scores per systeem — één voor elk type cardiovasculaire ziekte — waarmee miljoenen mogelijke moleculaire interacties werden samengevat in een handvol cijfers die een standaard statistisch model kon gebruiken naast leeftijd, bloeddruk, medicatie en genetisch risico.

Hoeveel beter zijn deze moleculaire risicoscores?

Toen het team de scores testte in een onafhankelijke groep van 24.287 mensen met alle benodigde gegevens, waren zowel MetScore als ProScore op zichzelf sterke voorspellers en konden deelnemers duidelijk worden ingedeeld in laag-, midden- en hoogrisicogroepen over 15 jaar follow-up. Scores op basis van eiwitten presteerden het best en deden het vaak veel beter dan traditionele polygene (DNA-gebaseerde) risicomaten. Het toevoegen van ProScore en MetScore aan conventionele klinische factoren verbeterde de nauwkeurigheid van risicovoorspelling voor elke onderzochte cardiovasculaire uitkomst, zelfs wanneer de basismodellen al gedetailleerd waren. In sommige gevallen, met name voor perifere vaatziekte en boezemfibrilleren, was de prestatieverbetering substantieel, en besliskromme-analyses suggereerden dat artsen betere keuzes zouden kunnen maken over wie profijt zou hebben van preventieve behandeling.

Wat de moleculen onthullen over ziektebiologie

Naast voorspelling onderzochten de onderzoekers welke specifieke moleculen het meest invloedrijk waren in de AI-modellen met behulp van een verklaringsmethode genaamd SHAP. Ze bevestigden het belang van bekende markers zoals creatinine en albumine (die nier- en algemene gezondheid weerspiegelen), evenals ontstekingssignalen zoals GlycA en hartstress-eiwitten zoals NT-proBNP. Tegelijkertijd benadrukten de modellen minder bekende eiwitten en metabolieten die samenhangen met ontsteking, stolling, vaatremodellering en zelfs zenuwschade, met deels gedeelde en deels ziekte-specifieke patronen. Interessant genoeg bereikte geen enkel molecuul de voorspellende kracht van de gecombineerde MetScore of ProScore, wat onderstreept dat cardiovasculair risico voortkomt uit vele subtiele veranderingen die samenwerken in plaats van één enkele boosdoener.

Van big data naar meer persoonlijke hartzorg

De studie concludeert dat het samenweven van genetica, gedetailleerde moleculaire bloedprofielen en routinematige klinische informatie ons beeld van wie waarschijnlijk ernstige cardiovasculaire ziekten ontwikkelt aanzienlijk kan verscherpen, vaak een decennium of langer van tevoren. Metingen van eiwitten lijken met name rijke, bruikbare informatie te bevatten over aanhoudende biologische stress lang voordat symptomen zich voordoen. Hoewel de benodigde tests nog niet algemeen of goedkoop zijn, dalen de kosten, en de auteurs hebben hun CardiOmicScore-benadering als prototype beschikbaar gesteld. Met verdere validatie in meer diverse populaties zou zulke AI-gestuurde multiomics-profilering clinici kunnen helpen bewegen van standaardcontrolelijsten naar werkelijk gepersonaliseerde preventie — het eerder identificeren van hoogrisicopersonen, het afstemmen van behandelingen op de onderliggende biologie en mogelijk het verminderen van de wereldwijde last van hart- en vaatziekten.

Bronvermelding: Luo, Y., Zhang, N., Yang, J. et al. AI-based multiomics profiling reveals complementary omics contributions to personalized prediction of cardiovascular disease. Nat Commun 17, 2269 (2026). https://doi.org/10.1038/s41467-026-68956-6

Trefwoorden: voorspelling van cardiovasculair risico, proteomics, metabolomics, deep learning, biomarkers