Verklaarbare multimodale benadering om belangrijke voorspellers van beroertrisico te ontdekken uit ECG-, EMG-, bloeddruk- en respiratoire signalen

Waarom ademhaling en hartsignalen van belang zijn voor beroerte

Beroerte slaat snel toe maar ontwikkelt zich meestal jarenlang ongemerkt. Artsen weten dat hoge bloeddruk, hartritmestoornissen en leefgewoonten het risico verhogen, maar voorspellen wie echt in gevaar is blijft lastig. Deze studie laat zien dat hoe we ademen – en vooral hoe ons lichaam omgaat met kooldioxide – verborgen aanwijzingen bevat over het beroertrisico. Door ademhalings-, hart-, spier- en bloeddruksignalen te combineren in een verklaarbaar kunstmatig intelligentiemodel, onthullen de auteurs nieuwe manieren om hoogrisicopatiënten te herkennen en helpen ze clinici te begrijpen waarom een algoritme tot een bepaalde uitspraak komt.

Luisteren naar de stille signalen van het lichaam

In plaats van hersenscans te gebruiken, die duur zijn en niet geschikt voor continu monitoren, richtten de onderzoekers zich op eenvoudige elektrische en druksensormetingen van 64 vrijwilligers, van wie sommigen een ischemische beroerte hadden gehad en anderen niet. Ze registreerden zeven signalen terwijl mensen zaten en vervolgens stonden: hartactiviteit (twee ECG-kanalen), beenspieractiviteit (twee EMG-kanalen), bloeddruk via een vingerbloeddrukmanchet, en twee ademhalingssignalen bij de mond – kooldioxide in uitgeademde lucht en de luchtstroomsnelheid. Deze metingen lijken op wat door bedmonitoren in ziekenhuizen of geavanceerde wearables kan worden verzameld, waardoor de aanpak praktisch toepasbaar is voor reguliere controles.

Ruwe golven omzetten in patronen die de computer kan lezen

Het team deelde elke opname van 10 minuten op in veel overlappende segmenten van 14 seconden, voldoende om meerdere ademhalingen en herhaalde hartslagen vast te leggen. Voor elk segment berekenden ze een breed scala aan eenvoudige numerieke beschrijvingen – gemiddelden, variabiliteit, hoe vaak signalen nul kruisten, en hoe hun energie over verschillende frequenties was verdeeld. Deze kenmerken vatten de ‘stijl’ van elk signaal samen zonder de volledige golfvormen op te slaan, wat rekenkosten en ruis vermindert. Alle kenmerken van de zeven signalen werden vervolgens opgestapeld om één voorbeeld te vormen van hoe iemands lichaam zich in die korte periode gedroeg.

Een eenvoudig door het brein geïnspireerd model dat diepere netwerken overtreft

In plaats van een diep, complex neuraal netwerk te gebruiken, kozen de auteurs voor een zeer eenvoudig model: een enkel-laags perceptron. Dit model neemt alle numerieke kenmerken, vermenigvuldigt elk met een aangeleerd gewicht, telt ze op en voert het resultaat door een samentrekkende functie om een kans op “beroerte” of “geen beroerte” te geven. Ondanks zijn eenvoud behaalde dit model een nauwkeurigheid van ongeveer 85–88 procent, beter dan geavanceerdere methoden zoals recurrente en convolutionele neurale netwerken, ensemble echo state-netwerken en populaire machine-learningclassifiers wanneer al deze op dezelfde data werden getest. Cruciaal is dat, wanneer de respiratoire signalen (kooldioxide en luchtstroom) werden weggelaten, de nauwkeurigheid daalde tot ongeveer 59 procent, een statistisch significante vermindering, wat aantoont dat ademhalingsdata kritische informatie toevoegt die andere signalen alleen niet vastleggen.

De zwarte doos openen: welke signalen zijn echt belangrijk

Artsen zijn terecht terughoudend ten aanzien van black-box AI, dus het team gebruikte drie verklaringsmethoden – SHAP, LIME en Anchors – om te zien op welke kenmerken het model het meest vertrouwde. Alle drie wezen op respiratoire kenmerken, vooral afgeleid van kooldioxide, als sleuteldrivers van de voorspellingen. SHAP, een verklaring gebaseerd op speltheorie, rangschikte het gemiddelde niveau van uitgeademde kooldioxide, de variabiliteit daarvan en de gemiddelde bloeddruk als de drie belangrijkste bijdragers aan de beslissing of een voorbeeld leek te komen van een beroertepatiënt. Hoge gemiddelde kooldioxide en hoge bloeddruk duwden het model eerder richting “beroerte”, terwijl onregelmatiger kooldioxidepatronen wezen op een lager risico. Om te beoordelen welke uitleggever het meest te vertrouwen was, gebruikten de auteurs een speciale test: het wegnemen van de topkenmerken die elke methode noemde en onderzoeken hoeveel de modelprestatie verslechterde. SHAP veroorzaakte de grootste daling en sleepte daarmee de titel van meest betrouwbare interpreter in de wacht.

Wat dit betekent voor patiënten en clinici

Voor leken is de conclusie eenvoudig: hoe u ademt en hoe effectief u kooldioxide afvoert, kan net zo veelzeggend zijn over beroertrisico als uw bloeddruk of hartslag. Dit werk suggereert dat routinematige monitors die respiratoire gassen, bloeddruk, hart- en spier­signalen vastleggen, gekoppeld kunnen worden aan eenvoudige, transparante AI om mensen te signaleren die vroegtijdig nader onderzoek verdienen. Omdat het model zowel nauwkeurig als verklaarbaar is, kunnen clinici zien welke aspecten van de fysiologie van een patiënt de risicoschatting aansturen, wat vertrouwen en gerichte behandeling ondersteunt. Grotere studies zijn nog nodig, maar de resultaten benadrukken kooldioxide-gerelateerde ademhalingsmetingen als veelbelovende nieuwe markers voor beroertepreventie.

Bronvermelding: Krayem, J., Wong, L., Tham, L.K. et al. Explainable multi-modal approach for uncovering key predictors of stroke-risk from ECG, EMG, blood pressure, and respiratory signals. Sci Rep 16, 6906 (2026). https://doi.org/10.1038/s41598-026-37777-4

Trefwoorden: beroertrisico, respiratoire signalen, kooldioxide, verklaarbare AI, ECG en bloeddruk