MEETI: Een multimodale ECG-dataset uit MIMIC-IV-ECG met signalen, afbeeldingen, kenmerken en interpretaties

Waarom dit ertoe doet voor hartgezondheid en dagelijkse zorg

Jaarlijks laten miljoenen mensen de elektrische activiteit van hun hart opnemen als kronkelende lijnen, bekend als elektrocardiogrammen (ECG’s). Deze tests helpen artsen gevaarlijke ritmestoornissen en andere hartproblemen op te sporen, maar het interpreteren ervan kost tijd en vergt jarenlange training. Tegelijkertijd is kunstmatige intelligentie opmerkelijk goed geworden in taken zoals het lezen van röntgenfoto’s en het samenvatten van medische notities, terwijl soortgelijke vooruitgang voor ECG’s langzamer ging. Dit artikel introduceert MEETI, een nieuw type ECG-dataset dat verschillende weergaven van dezelfde harttest — signalen, afbeeldingen, getallen en verklaringen — samenbrengt, zodat computers ECG’s kunnen “begrijpen” op manieren die zinvol zijn voor zowel artsen als patiënten.

Een nieuwe alles-in-één blik op het hartslagpatroon

Traditionele ECG-databases bieden meestal maar één soort informatie: ofwel het ruwe elektrische signaal, een ECG-afbeelding die op millimeterpapier lijkt, of een korte schriftelijke rapportage. MEETI (afkorting voor MIMIC‑IV‑Ext ECG‑Text‑Image) is de eerste grote openbare bron die voor elk ECG vier bestanddelen nauwkeurig op elkaar afstemt: het oorspronkelijke 10-seconden signaal van 12 afleidingen, een hoge-resolutie afbeelding die de ziekenhuisafdruk nabootst, een reeks precieze metingen per hartslag en een gedetailleerde schriftelijke interpretatie gegenereerd door een modern taalmodel. Dit alles is opgebouwd bovenop de grote MIMIC‑IV‑ECG-verzameling van een groot Amerikaans medisch centrum, met meer dan driekwart miljoen ECG-opnames van meer dan 160.000 patiënten. Door deze onderdelen via gedeelde identificatoren te koppelen, transformeert MEETI elk ECG tot een rijk, gelaagd portret van hartactiviteit.

Hoe het team signalen omzet in rijke gegevens

Om MEETI samen te stellen, downloadden en controleerden de auteurs eerst ongeveer 800.000 ECG-records, waarbij ze ervoor zorgden dat elk record goed geanonimiseerd en technisch valide was. Met open-source tools zetten ze elk 12-afleidingssignaal om in een standaard klinische lay-out met hoge resolutie, waarbij de fijne details behouden bleven waarop cardiologen vertrouwen. Vervolgens verwerkte men elk ECG met FeatureDB, een toolkit die automatisch de bekende P-, QRS- en T‑componenten van iedere hartslag detecteert. Hieruit berekent het systeem sleutelmetingen zoals hartslag, de tijd tussen slagen, hoe lang verschillende delen van de hartslag duren en hoe hoog of laag bepaalde golven zijn. Deze cijfers worden voor elke slag in elke afleiding opgeslagen, wat een uitzonderlijk gedetailleerd beeld geeft van hoe iemands hartslag zich in die 10 seconden gedraagt.

Het taalmodel leren praten over hartritmes

Korte, door mensen geschreven ECG-rapporten zijn vaak vaag en laten kansen liggen om uit te leggen hoe een diagnose verband houdt met meetbare kenmerken in het tracé. Om dit gat te dichten, ontwierp het team zorgvuldig prompts voor een state-of-the-art taalmodel zodat het langvormige, klinisch onderbouwde interpretaties kon genereren. Voor elk ECG krijgt het model zowel het oorspronkelijke klinische rapport als de geëxtraheerde parameters — zoals reeksen QRS-duur over meerdere slagen — en krijgt het de instructie trouw te blijven aan de conclusies van de clinician terwijl het de metingen als bewijs gebruikt. Cardiologen hielpen bij het ontwerpen en beoordelen van dit proces en bevestigden aan de hand van voorbeeldgevallen dat de resulterende verklaringen dezelfde bevindingen vastleggen als de oorspronkelijke rapporten, terwijl ze concrete getallen verwerken. Het resultaat is een tekstbeschrijving die koppelt wat het oog op de grafiek ziet aan objectieve, reproduceerbare metingen.

Wat er in de bron te vinden is en hoe deze kan worden gebruikt

MEETI is zo georganiseerd dat onderzoekers eenvoudig van een patiëntmap naar al zijn onderzoeken kunnen navigeren, en van elk onderzoek naar de bijbehorende afbeelding, signalen, slag-niveau parameters en taalmodel‑uitleg. Samenvattende statistieken over de hele dataset tonen dat sleutelmetingen, zoals de gemiddelde tijd tussen slagen of de duur van het QRS-complex, binnen verwachte klinische bereiken vallen en vrijwel geen ontbrekende waarden hebben, wat de kwaliteit en volledigheid van de dataset onderstreept. De auteurs bieden voorbeeldcode om de gegevens te laden en de afbeeldingen en tekst te lezen, en publiceren alle scripts die voor parameterextractie en afbeeldingscreatie zijn gebruikt als open-source tools. Deze structuur stelt wetenschappers in staat modellen te trainen die golven, afbeeldingen en taal gezamenlijk analyseren, en vragen te onderzoeken variërend van automatische ritmeklassificatie tot het genereren van begrijpelijke rapporten voor coassistenten en patiënten.

Wat dit betekent voor toekomstgerichte hart‑AI

De auteurs concluderen dat MEETI een belangrijke knelpunt wegneemt in het bouwen van behulpzame, betrouwbare AI voor ECG’s. Door ruwe signalen, klinisch-ogende afbeeldingen, fijnmazige metingen en rijke verklaringen in één publieke bron te combineren, maakt de dataset het mogelijk systemen te trainen die meer kunnen dan slechts een tracé als “normaal” of “abnormaal” labelen. Toekomstige modellen kunnen worden gevraagd te redeneren over hoe specifieke veranderingen in het golfpatroon een diagnose ondersteunen, of te laten zien welke slagen en afleidingen hun conclusies veroorzaakten. Voor patiënten kan dit op termijn duidelijkere rapporten en vroegere opsporing van subtiele afwijkingen betekenen; voor clinici biedt het hulpmiddelen die niet alleen het niveau van experts benaderen maar zich ook kunnen verantwoorden. Kort gezegd legt MEETI het fundament voor de volgende generatie hartgerichte AI die tegelijk ziet, meet en het hartritme verklaart.

Bronvermelding: Zhang, D., Lan, X., Geng, S. et al. MEETI: A Multimodal ECG Dataset from MIMIC-IV-ECG with Signals, Images, Features and Interpretations. Sci Data 13, 527 (2026). https://doi.org/10.1038/s41597-026-06796-1

Trefwoorden: elektrocardiogram dataset, multimodale medische AI, cardiovasculaire diagnostiek, ECG-interpretatie, medische machine learning