Classificatie van paroxismale atriumfibrillatie met behulp van sinusritme‑electrocardiogrammen via de Symmetric Projection Attractor Reconstruction‑methode

Waarom deze studie over hartritme ertoe doet

Atriaalfibrilleren is een veelvoorkomend hartritmeprobleem dat stilletjes iemands risico op een beroerte en vroegtijdig overlijden kan verhogen. Een verwarrende vorm, paroxismale atriumfibrillatie, komt en gaat in korte aanvallen, waardoor mensen bij een consult een volkomen normaal ogende hartregistratie kunnen hebben. Deze studie stelt een prikkelende vraag: draagt een ogenschijnlijk normaal electrocardiogram (ECG) toch een subtiele vingerafdruk van verborgen ritmestoornis die computers kunnen opsporen — en zou dat patiënten weken van ongemakkelijke hartmonitoring kunnen besparen?

Verborgen aanwijzingen in een alledaagse hartenstest

Artsen stellen atriaalfibrilleren meestal vast door een episode te vangen op een ECG dat de elektrische activiteit van het hart registreert. Bij mensen van wie de episodes kort en onregelmatig zijn, missen standaardtesten — en zelfs 30‑daagse draagbare monitors — het probleem vaak. De onderzoekers onderzochten of een korte, 10‑seconden ECG die tijdens normaal hartritme is opgenomen, toch kan onthullen wie een geschiedenis heeft van paroxismale atriumfibrillatie. Als dat mogelijk is, kan een routinetest in een kliniek of spoedeisende hulp risicopatiënten signaleren zonder te hoeven wachten op de volgende aanval.

Hartslagen omzetten in geometrische vormen

Om naar deze verborgen aanwijzingen te zoeken, gebruikte het team een signaalverwerkingsmethode genaamd Symmetric Projection Attractor Reconstruction. In plaats van zich te concentreren op bekende ECG‑landmarks — de scherpe pieken en golven die artsen gewoonlijk inspecteren — beschouwt deze methode de gehele herhalende hartslag als een patroon in de tijd. Ze bemonsteren elke slag op meerdere punten en zetten die waarden tegen elkaar uit, waardoor het eendimensionale signaal verandert in een tweedimensionale geometrische afbeelding, een zogenaamd attractor. Subtiele veranderingen in hoe het elektrische signaal van het hart stijgt, daalt en van slag tot slag varieert, verschijnen als verschillen in de vorm, grootte en dichtheid van deze attractorpatronen, zelfs wanneer het oorspronkelijke ECG er voor het blote oog normaal uitziet.

Computers trainen om risicovolle patronen te herkennen

De onderzoekers gebruikten een grote open database van ECG’s met zowel mensen met gedocumenteerde episodes van atriaalfibrillatie als zorgvuldig gematchte controles zonder bekende ritmeproblemen, afgestemd op leeftijd en geslacht. Voor elke 10‑seconden normaal‑ritme registratie genereerden ze attractorafbeeldingen van alle 12 ECG‑leads en zetten deze vormen om in numerieke samenvattingen die beschrijven hoe dicht punten in verschillende richtingen en op verschillende afstanden van het centrum geclusterd waren. Deze samenvattingen werden vervolgens ingevoerd in twee gangbare machinaal‑leren methoden: één die een nieuw geval classificeert op basis van de dichtstbijzijnde buren in de dataset en een andere die een beslissingsboom van als‑dan‑regels vormt. Het team testte ook praktische vragen die belangrijk zijn voor gebruik in de praktijk, zoals welke ECG‑lead het beste werkt en of lagere bemonsteringsfrequenties — veelvoorkomend in klinische apparaten — de prestaties schaden.

Hoe goed de methode werkte

Over veel combinaties van instellingen presteerde de beste configuratie met attractorfeatures die beschrijven hoe dicht punten rond de cirkel waren gerangschikt, afkomstig van ECG’s bemonsterd op 125 hertz en geclassificeerd met de nearest‑neighbors‑methode. Onder deze omstandigheden onderscheidde het systeem mensen met en zonder paroxismale atriumfibrillatie correct in ongeveer 81% van de gevallen. Het was zeer betrouwbaar in het identificeren van werkelijk gezonde controles (ongeveer 95% specificiteit) maar minder sterk in het opsporen van alle aangedane patiënten (ongeveer 67% sensitiviteit). Een beslissingsboom verhoogde de sensitiviteit tot ongeveer 73%, maar ging ten koste van iets meer valse alarmen. Belangrijk is dat de methode slechts 10 seconden normaal‑ritme data nodig had, en dat de sensitiviteit ruwweg het dubbele was van die gerapporteerd voor 30‑daagse langdurige hartmonitoring in eerder onderzoek.

Wie er baat bij heeft en wat nog moet worden aangepakt

De onderzoekers ontdekten dat de prestaties redelijk stabiel waren over verschillende leeftijdsgroepen maar iets beter bij mannen dan bij vrouwen, waarschijnlijk als gevolg van onbalans in de onderliggende dataset. Andere hartaandoeningen die bij sommige patiënten aanwezig waren, leken de nauwkeurigheid te verlagen, en de timing tussen de gedocumenteerde fibrillatie‑episode en het normaal‑ritme ECG bleek ook van invloed. Deze bevindingen suggereren dat toekomstige studies met grotere, meer diverse patiëntengroepen — en zorgvuldige vastlegging van andere diagnoses en opname‑tijden — het hulpmiddel verder kunnen verfijnen en verduidelijken waar het het beste werkt, zoals in klinieken, spoedeisende hulp of draagbare apparaten.

Een stap richting eerdere, eenvoudigere detectie

Voor de leek is de kernboodschap dat een standaard, snelle hartenstest mogelijk meer informatie bevat dan artsen nu kunnen zien. Door normaal ogende hartslagen om te zetten in geometrische patronen en algoritmen die vormen over veel patiënten te laten vergelijken, toont deze studie aan dat het mogelijk is mensen met een geschiedenis van paroxismale atriumfibrillatie te signaleren met slechts enkele seconden normaal ritme. Hoewel de methode nog niet perfect is, biedt ze een veelbelovende weg naar snellere, comfortabelere screening die kan helpen mensen met een verhoogd beroerterisico eerder te identificeren en te bepalen wie nauwere follow‑up of preventieve behandeling zou moeten krijgen.

Bronvermelding: Creasy, S., Lip, G.Y.H., Tse, G. et al. Classification of paroxysmal atrial fibrillation using sinus rhythm electrocardiograms using the symmetric projection attractor reconstruction method. Sci Rep 16, 9705 (2026). https://doi.org/10.1038/s41598-026-37491-1

Trefwoorden: atriaalfibrilleren, electrocardiogram, machinaal leren, hartritme, vroegtijdige detectie