Een deep learning-ECG-model voor identificatie en lokalisatie van occlusie-myocardinfarct

Waarom dit belangrijk is bij hartaanvallen

Wanneer iemand een hartaanval heeft, kan elke minuut zonder behandeling hartspier doen afsterven. Artsen vertrouwen doorgaans op een snelle hartregistratie, het ECG, en bloedonderzoek om te beslissen wie urgent naar de interventiekamer moet. Maar deze instrumenten missen vaak gevaarlijke vernauwingen of geven een alarm bij mensen die eigenlijk geen spoedprocedure nodig hebben. Deze studie laat zien hoe kunstmatige intelligentie ECG’s kan lezen om ernstige blokkades nauwkeuriger te detecteren en zelfs te lokaliseren, wat kan helpen om de juiste patiënten sneller bij levensreddende behandeling te krijgen.

Op zoek naar geblokkeerde leidingen in het hart

Niet alle hartaanvallen zijn hetzelfde. Sommige worden veroorzaakt door een volledig of vrijwel volledig geblokkeerde kransslagader, een situatie die de auteurs een occlusie-myocardinfarct noemen. Dit zijn de patiënten die het meest dringend een procedure nodig hebben om de slagader te openen. Het probleem is dat de standaardregelwerking zich richt op een patroon dat ST-elevatie wordt genoemd op het ECG, dat slechts in een deel van deze gevaarlijke gevallen voorkomt en ook door andere aandoeningen kan worden veroorzaakt. Daardoor worden sommige patiënten gemist terwijl anderen onnodige invasieve procedures ondergaan. De onderzoekers wilden een computermodel bouwen dat het ruwe ECG-signaal kan analyseren en zowel de aanwezigheid van een acute blokkade als welke van de belangrijke kransslagaders betrokken is, kan herkennen.

Een model trainen op honderden duizenden ECG’s

Het team gebruikte gegevens uit de Swedish Emergency Department Database, die spoedbezoeken, ECG-opnamen en gedetailleerde uitkomsten van hartkatheterisatieprocedures koppelt. Ze verzamelden meer dan 540.000 ECG’s van ongeveer 226.000 volwassen patiënten die tussen 2005 en 2016 op de spoedeisende hulp in de regio Stockholm kwamen. Voor elk myocardinfarctgeval hadden de artsen tijdens angiografie al vastgesteld of er een verse volledige blokkade was en welk hoofdvat verantwoordelijk was. Met deze objectieve procedurebevindingen als grondwaarheid trainden de onderzoekers een deep learning-model, een type neuraal netwerk dat complexe patronen in signalen kan herkennen, om ECG’s in meerdere categorieën te classificeren, waaronder geblokkeerde versus niet-geblokkeerde hartaanvallen en het specifieke schuldige vat.

Hoe goed het model gevaar detecteert

In niet-gebruikte Zweedse testdata toonde het model een zeer sterke capaciteit om acute blokkades te onderscheiden van andere patiënten. De prestatiemaat, de C-statistiek, bereikte ten minste 0,95 voor het detecteren van occlusie-myocardinfarcten en ten minste 0,87 voor niet-occlusie-myocardinfarcten. Bij een lage vals-alarmfrequentie van 5 procent identificeerde het model ongeveer 87 procent van de occlusiegevallen correct. Het presteerde ook goed in het aangeven welke van de drie hoofdkransslagaders geblokkeerd was, hoewel het onderscheiden van twee specifieke vaatlocaties die zelfs voor menselijke deskundigen lastig zijn, uitdagend bleef. Over verschillende leeftijden, geslachten, typen ECG-apparaten en kalenderjaren bleef de prestatie over het algemeen vergelijkbaar, met iets betere nauwkeurigheid bij jongere patiënten en bij degenen zonder bepaalde langdurige geleidingsstoornissen van het hart.

Het model testen in andere landen

Om te onderzoeken of het hulpmiddel ook buiten Zweden standhoudt, testten de auteurs het op drie aanvullende ECG-verzamelingen uit Europa en Brazilië. In een Braziliaanse spoedcohort met op angiografie gebaseerde labels scheidde het model occlusie-myocardinfarcten nog steeds goed van controles, vooral voor gevallen die klassieke ST-elevatie lieten zien. In twee grote databases waarin slechts bredere labels, zoals hartaanval met ST-elevatie en een veelvoorkomende geleidingsblokkade, beschikbaar waren, presteerde het model ook sterk. Sterker nog, voor de voorspelling van ST-elevatie-myocardinfarcten in een van deze datasets presteerde het Zweedse model beter dan een ander model dat rechtstreeks was getraind op die lokale door mensen toegekende labels, wat suggereert dat trainen op objectieve katheterisatie-uitkomsten het systeem een dieper begrip van de onderliggende ziekte kan geven.

Wat dit voor patiënten kan betekenen

Dit werk laat zien dat een computermodel gewone ECG’s kan gebruiken, plus basisinformatie zoals leeftijd en geslacht, om snel te herkennen welke patiënten waarschijnlijk een recent geblokkeerde kransslagader hebben en waar die blokkade zich bevindt. Omdat de methode niet afhankelijk is van bloedonderzoek of van artsen die het eens moeten zijn over subtiele ECG-patronen, zou het de tijd van het eerste medische contact tot het heropenen van de slagader kunnen verkorten en onnodige spoedprocedures kunnen verminderen. De auteurs benadrukken dat hun hulpmiddel nog getest moet worden in klinische onderzoeken die de uitkomsten van patiënten volgen voordat het routinematig wordt gebruikt, maar het wijst op een toekomst waarin slimme ECG-analyse helpt te verzekeren dat de juiste mensen op het juiste moment naar de katheterisatielaboratorium worden geleid.

Bronvermelding: Gustafsson, S., Ribeiro, A.H., Gedon, D. et al. A deep learning ECG model for identification and localization of occlusion myocardial infarction. Nat Commun 17, 4336 (2026). https://doi.org/10.1038/s41467-026-73023-1

Trefwoorden: elektrocardiogram, deep learning, myocardinfarct, kransslagaderocclusie, medische AI