Voorspellen van cardiopulmonaire inspanningstests bij aangeboren hartafwijkingen door multimodale gegevensintegratie en geometrisch leren

Waarom deze hartstudie ertoe doet

Voor mensen die met hartafwijkingen zijn geboren betekent opgroeien en volwassen worden vaak onzekerheid: blijft mijn hart de dagelijkse activiteiten, inspanning of een grote operatie aankunnen? Deze studie onderzoekt of informatie die al in de routinezorg wordt verzameld — hartritmeopnamen en klinische brieven — gecombineerd en geanalyseerd kan worden met moderne rekenmethoden om te voorspellen hoe goed het hart en de longen van een patiënt zullen presteren tijdens inspanning, zonder altijd een belastende test te hoeven afnemen.

Fitheid begrijpen via ademhaling en hartslag

Artsen gebruiken vaak een gespecialiseerde loopband- of fietstest, de cardiopulmonaire inspanningstest, om te zien hoeveel zuurstof iemand kan gebruiken en hoe efficiënt kooldioxide wordt uitgeademd. Deze metingen geven een krachtig beeld van de algemene fitheid en het toekomstige gezondheidsrisico, vooral bij volwassenen met aangeboren hartafwijkingen. De test kost echter veel tijd, vereist speciale apparatuur en is niet voor elke patiënt of elk ziekenhuis beschikbaar.

Verspreide patiëntgegevens samenbrengen

De onderzoekers verzamelden verschillende soorten gegevens van 436 volwassenen met aangeboren hartafwijkingen die werden gevolgd in een Schots gespecialiseerd centrum. Ze digitaliseerden meer dan vierduizend standaard 12‑lead elektrocardiogrammen — korte registratie van de elektrische activiteit van het hart — en zetten ook geschreven polikliniekbrieven en oefenrapporten om in gestructureerde, computerleesbare vorm. Uit deze tekstdocumenten haalden ze kerngegevens over ieders diagnose, hartoperaties en medicatie, terwijl identificerende informatie werd verwijderd. Voor 258 patiënten die inspanningstests hadden ondergaan richtten ze zich op twee kernmaatregelen die bekendstaan als voorspellers van overleving: piekzuurstofopname en de hoeveelheid ademhaling die nodig is om kooldioxide te elimineren.

Patronen vinden met geometrie in plaats van brute kracht

Aangeboren hartafwijkingen zijn relatief zeldzaam en sterk gevarieerd, waardoor het team niet kon steunen op enorme datasets zoals die gebruikt worden om veel moderne AI-systemen te trainen. In plaats daarvan representeerden zij elk ECG als een samenvatting van hoe de signalen van de verschillende afleidingen samen variëren — een wiskundig vingerafdruk van het elektrische patroon van het hart. Deze vingerafdrukken hebben de vorm van covariantiematrices, die de auteurs analyseerden met hulpmiddelen uit een tak van de wiskunde die Riemanngeometrie heet. In praktische zin stelde dit hen in staat om gelijkenissen tussen hartsignalen gevoeliger te meten en om realistische nieuwe synthetische voorbeelden te creëren door bestaande patiëntenpatronen soepel te "mixen", wat het computermodel hielp te leren van een kleine en onevenwichtige steekproef.

Woorden en golven combineren voor betere voorspellingen

De studie vergeleek verschillende benaderingen om inspanningsprestatie uit deze gegevens te voorspellen. Modellen die alleen eenvoudige ECG‑metingen gebruikten, zoals standaard interval‑ en frequentiewaarden uit routineprintouts, presteerden slecht. Toen de onderzoekers in plaats daarvan de rijkere ECG‑vingerafdrukken invoerden, nam de voorspellingsnauwkeurigheid merkbaar toe. De grootste winst werd geboekt toen ze die ECG‑vingerafdrukken combineerden met informatie uit polikliniekbrieven, zodat het model zowel wist hoe de elektrische activiteit van het hart zich gedroeg als welke aandoeningen, operaties en medicatie de persoon had. Met deze fusie van gegevens en hun geometrie‑gebaseerde augmentatie correleerden de computerschattingen van piekzuurstofopname redelijk goed met de daadwerkelijke testresultaten en overtroffen ze eenvoudigere methoden bij zowel continue voorspelling als het indelen van patiënten in risicogroepen.

Wat dit betekent voor patiënten en zorgteams

Het werk vervangt de inspanningstest nog niet, en de auteurs erkennen dat hun classificatienauwkeurigheid nog te beperkt is voor directe klinische besluitvorming. Maar de resultaten tonen aan dat zorgvuldig ontworpen modellen, die rekening houden met de structuur van de gegevens en zowel hartregistraties als verhalende klinische informatie benutten, zinnig kunnen inschatten hoe goed iemand met een aangeboren hartafwijking fysieke inspanning aankan. In de toekomst, met grotere en meer diverse datasets, zouden vergelijkbare hulpmiddelen kunnen helpen patiënten te signaleren wiens fitheid afneemt voordat symptomen duidelijk worden, beslissingen over operaties of leefstijlveranderingen ondersteunen en geavanceerde risicobeoordeling uitbreiden naar ziekenhuizen die niet over volledige inspanningstestfaciliteiten beschikken.

Bronvermelding: Alkan, M., Veldtman, G. & Deligianni, F. Predicting cardiopulmonary exercise testing outcomes in congenital heart disease through multimodal data integration and geometric learning. Sci Rep 16, 9910 (2026). https://doi.org/10.1038/s41598-026-38687-1

Trefwoorden: aangeboren hartafwijking, cardiopulmonaire inspanningstest, elektrocardiogram, machine learning, risicovoorspelling