Vergelijkende evaluatie van deep learning-modellen voor de diagnose en classificatie van hart- en vaatziekten

Waarom slimmer hartonderzoek ertoe doet

Hartziekten zijn nog steeds de grootste doodsoorzaak wereldwijd, maar de signalen die voor problemen waarschuwen verbergen zich vaak in kleine golfjes van een elektrocardiogram (ECG). Artsen kunnen deze tracés lezen, maar handmatig beoordelen is traag, vermoeiend en vatbaar voor gemiste details — vooral wanneer duizenden hartslagen binnenstromen vanaf ziekenhuismonitoren of draagbare apparaten. Deze studie onderzoekt of kunstmatige intelligentie niet alleen het niveau van experts kan bereiken bij het lezen van ECG’s, maar dat ook met zo’n lage rekeneisen dat het in realtime kan draaien op alledaagse klinische machines en zelfs compacte apparaten.

Het hart lezen in een digitaal tijdperk

Hart- en vaatziekten omvatten een breed scala aan problemen, van hartaanvallen en hartfalen tot ritmestoornissen en klepafwijkingen. Samen veroorzaken ze ongeveer een derde van alle sterfgevallen wereldwijd. ECG’s zijn een van de goedkoopste en meest beschikbare hulpmiddelen in de geneeskunde om deze aandoeningen vroeg te herkennen, omdat ze de elektrische activiteit van het hart in realtime vastleggen. Toch genereert de moderne gezondheidszorg nu meer ECG-data dan menselijke experts comfortabel kunnen beoordelen. De auteurs stellen dat intelligente computersystemen nodig zijn om deze stroom signalen te doorzoeken, vroege waarschuwingstekens te markeren en artsen te ondersteunen zonder hen te vervangen.

Machines leren zieke harten herkennen

De onderzoekers maakten gebruik van een publieke ECG-verzameling bekend als de PTB-ECG-dataset, die opnames bevat van 290 mensen van 17 tot 87 jaar met verschillende hartaandoeningen. Elk record is gekoppeld aan gedetailleerde klinische informatie en de ECG’s zijn gelabeld in acht ziektecategorieën, zoals hartinfarct, hartfalen, ritmestoornissen en klepziekten, naast gezonde gevallen. In plaats van signalen naar afbeeldingen om te zetten, voerde het team de ECG-golfvormen rechtstreeks in verschillende typen deep learning-modellen, waaronder convolutionele netwerken, geheugen-gebaseerde netwerken en hybriden die deze sterke punten combineren. Alle modellen kregen dezelfde taak: op basis van het elektrische patroon bepalen welk type hartprobleem een patiënt waarschijnlijk heeft.

Krachtige modellen licht genoeg maken om mee te nemen

Een belangrijke uitdaging was niet alleen nauwkeurigheid, maar ook efficiëntie. Veel goed presterende AI-modellen vragen om zware rekencapaciteit, wat onpraktisch is voor bedmonitoren, ambulances of draagbare apparaten. Om de rekeneisen te verminderen, reinigden de auteurs eerst de ECG’s, filterden trage driften en ruis weg en verlaagden de bemonsteringsfrequentie. Vervolgens gebruikten ze een wiskundige techniek genaamd wavelet-transformatie om elke hartslag terug te brengen tot compacte numerieke kenmerken die belangrijke details behouden. Ook corrigeerden ze voor ongebalanceerde data — waarbij sommige ziekten zeldzamer waren dan andere — door zorgvuldig gesynthetiseerde voorbeelden van ondervertegenwoordigde aandoeningen in de trainingsset op te nemen. Deze combinatie van signaalreiniging, slimme kenmerkextractie en databalansering stelde de modellen in staat te werken met een veel kleinere, informatievere invoer.

Welk digitaal lezersysteem presteerde het best?

Het team vergeleek vijf modelgroepen: een convolutioneel netwerk afgestemd op eendimensionale signalen, een klassiek multilayer perceptron, een long short-term memory (LSTM)-netwerk dat gespecialiseerd is in tijdreeksen, en twee hybriden die convolutionele lagen koppelen aan respectievelijk een perceptron of een LSTM. Ze beoordeelden elke aanpak met bekende maatstaven zoals nauwkeurigheid, precisie, recall en de F1-score en, cruciaal, door te tellen hoeveel wiskundige bewerkingen het model per invoer nodig had. Alle modellen bereikten zeer hoge nauwkeurigheid — boven 99% — maar de LSTM stak er met kop en schouders bovenuit. Het combineerde bijna perfecte precisie bij het identificeren van zieke harten met de laagste rekeneisen van de kandidaten, wat aantoont dat het volgen van de tijdsontwikkeling van de hartslag zowel slim als efficiënt kan zijn.

Wat dit betekent voor de dagelijkse zorg

In eenvoudige bewoordingen laat de studie zien dat een zorgvuldig ontworpen AI-systeem ECG’s met uitzonderlijke betrouwbaarheid kan lezen zonder een energieverslindende supercomputer te vereisen. Door de benodigde berekeningen met drie ordes van grootte te verkleinen, tonen de auteurs aan dat snelle, batterijvriendelijke algoritmen nog steeds de subtiele kenmerken van verschillende hartaandoeningen kunnen vastleggen. Onder deze modellen bood het op LSTM gebaseerde model de beste balans tussen intelligentie en efficiëntie, waardoor het een sterke kandidaat is voor gebruik in realtime ziekenhuismonitoring, draagbare scanners en draagbare hartpleisters. Met verdere tests op grotere en meer gevarieerde patiëntengroepen zouden zulke slanke maar nauwkeurige hulpmiddelen expert-niveau hartscreening naar meer klinieken, ambulances en huizen wereldwijd kunnen brengen.

Bronvermelding: Bhia, I., Soltanizadeh, S. & Shafik, W. Comparative evaluation of deep learning models for cardiovascular disease diagnosis and classification. Sci Rep 16, 12522 (2026). https://doi.org/10.1038/s41598-026-43543-3

Trefwoorden: hart- en vaatziekten, elektrocardiogram, deep learning, medische diagnose, draagbare gezondheidszorg