AI-verbeterde benaderingen voor gepersonaliseerde hartbehandeling: inzichten uit ECG-gegevens

Waarom slimere harttests ertoe doen

Wanneer artsen medicijnen voorschrijven die het hart beïnvloeden, vertrouwen ze op het elektrocardiogram, of ECG, om te controleren of de behandeling veilig is. Veel geneesmiddelen laten echter slechts subtiele sporen op het hartritme achter die met het blote oog moeilijk te zien zijn. Deze studie onderzoekt hoe kunstmatige intelligentie ECG-tracés nauwkeuriger kan lezen, artsen kan helpen te onderscheiden welk middel of welke combinatie van middelen het hart beïnvloedt, en zo de weg kan openen naar meer gepersonaliseerde en veiligere cardiologische zorg.

Op zoek naar verborgen medicatie-effecten in hartslagen

De onderzoekers richtten zich op een langdurig veiligheidprobleem: sommige medicijnen kunnen het elektrische ritme van het hart verstoren en het risico op gevaarlijke onregelmatige slagen verhogen. Traditioneel volgen artsen één belangrijke ECG-maat, het QT-interval, maar deze ene maat mist vaak belangrijke details. Verschillende geneesmiddelen, en combinaties daarvan, kunnen meerdere onderdelen van de hartslag op complexe wijze veranderen. Het team vroeg zich af of computermodellen deze patronen uit data konden leren en betrouwbaar ECGs konden sorteren op basis van de behandeling die ze hadden veroorzaakt.

Een rijk beeld opbouwen uit ECG-signalen

Om dit aan te pakken gebruikte de studie een openbare database uit een strikt gecontroleerde proef met 22 gezonde vrijwilligers. Elke deelnemer kreeg meerdere medicatieregimes, waaronder bekende middelen voor hartritme alleen, in combinatie met andere middelen, en placebo. Voor elke doseringsperiode werden standaard 12-lead ECGs opgenomen naast bloedmonsters. In plaats van de ruwe golfvormen rechtstreeks in de computer te voeren, maakten de onderzoekers de signalen eerst schoon en extraheerden vervolgens een gedetailleerde set kenmerken die elke hartslag beschrijven: hoe lang het elektrische impuls nodig heeft om door het hart te reizen, hoe de T-golf stijgt en daalt terwijl het hart tussen slagen herstelt, en hoeveel de tijd tussen slagen varieert.

AI trainen om behandelingsvingerafdrukken te herkennen

Met deze kenmerken trainden en vergeleken de auteurs drie gangbare machinelearningmodellen. Twee daarvan, Random Forest en XGBoost, zijn boomgebaseerde methoden die leren van veel eenvoudige beslisregels die samen werken, terwijl de derde, een Support Vector Machine, een meer traditionele classifier is. De modellen moesten elk ECG-segment toewijzen aan een van de tien mogelijke behandelcodes. Na zorgvuldige afstemming en kruiscontrole bereikte XGBoost een nauwkeurigheid van ongeveer 98 procent, met Random Forest daar kort achter op ongeveer 97 procent, terwijl de Support Vector Machine ver achterbleef. De beste modellen deden niet alleen nauwkeurige voorspellingen, ze deden dat ook betrouwbaar voor alle behandelingsgroepen.

Wat de modellen zeggen over de hartslag

Naast de ruwe scores onderzoekt het team welke ECG-kenmerken het belangrijkst waren voor de boomgebaseerde modellen. Beide benaderingen benadrukten herhaaldelijk de duur van het QRS-complex, het PR-interval en meerdere eigenschappen van de T-golf, zoals hoogte en vorm, als de sterkste aanwijzingen voor de behandeling. Deze bevindingen komen goed overeen met klinische kennis dat deze delen van het ECG weerspiegelen hoe elektrische signalen zich door het hart verspreiden en hoe de kamers zich tussen slagen herstellen—processen die door veel medicijnen worden beïnvloed. Toen dezelfde verwerkingspijplijn werd getest op een aparte database met andere geneesmiddelen, behaalde ze opnieuw sterke prestaties zonder opnieuw te hoeven worden getraind, wat suggereert dat de geleerde regels niet aan één studie gebonden zijn.

Wat dit betekent voor toekomstige zorg

Simpel gezegd laat dit werk zien dat AI kan leren ECGs te lezen op een manier die de gecombineerde, subtiele impact van verschillende medicijnen op het hart vastlegt. In plaats van te vertrouwen op één of twee handmatige metingen, zouden artsen dergelijke modellen op een dag kunnen gebruiken om vele ECG-kenmerken tegelijk te scannen en snel patiënten te signaleren van wie het hart risicovol op een medicijn reageert. Hoewel de studie nog uitgebreid moet worden naar grotere en meer diverse patiëntengroepen, legt zij een stevige basis voor het gebruik van datagedreven instrumenten om hartbehandelingen fijn af te stemmen, zodat elke persoon een regime ontvangt dat niet alleen effectief is maar ook veiliger voor het hart.

Bronvermelding: Tiwari, V., Gupta, R., Telang, A. et al. AI-enhanced approaches for personalized cardiac treatment: insights from ECG data. npj Syst Biol Appl 12, 72 (2026). https://doi.org/10.1038/s41540-026-00702-6

Trefwoorden: elektrocardiogram, machine learning, geneesmiddelveiligheid, hartritmestoornis, gepersonaliseerde geneeskunde