Multicenterevaluatie van interpreteerbare AI voor de diagnose van coronaire hartziekte op basis van PET-biomarkers

Waarom Heart Scan AI ertoe doet

Coronaire hartziekte, de ophoping van plaque die de bloedtoevoer naar het hart kan blokkeren, blijft wereldwijd een belangrijke oorzaak van hartaanvallen en overlijden. Moderne beeldvormingstests zoals PET/CT-scans kunnen de bloedstroom, hartfunctie en calciumafzettingen in de kransslagaders zichtbaar maken, maar de enorme hoeveelheid gegevens kan zelfs ervaren beoordeelaars overbelasten. Deze studie onderzoekt hoe een interpreteerbaar kunstmatig-intelligentiemodel deze gegevens samen kan brengen in één gemakkelijk toepasbare score die artsen helpt gevaarlijke vernauwingen nauwkeuriger te detecteren — en duidelijk aangeeft welke bevindingen de beslissing sturen.

Verschillende hartsignalen in één beeld samenbrengen

Wanneer patiënten een PET/CT-hartscan ondergaan, kunnen artsen zien hoe goed de bloedtoevoer door de hartspier is tijdens rust en inspanning, hoe krachtig het hart pompt, en hoeveel calcium — een indicator van langdurige plaquevorming — aanwezig is in de kransslagaders. Traditiegetrouw bekijken clinici deze metingen één voor één en combineren ze die vervolgens mentaal om te beslissen of slagaders waarschijnlijk vernauwd zijn. Die mentale integratie is lastig en soms inconsistent, en er is geen universeel aanvaarde manier om bloedstroom, perfusiedefecten en calciumscores samen te wegen. De onderzoekers wilden een AI-hulpmiddel bouwen dat tien routinematig beschikbare scanmetingen, plus het geslacht van de patiënt, kan samenvoegen tot één kansschaal voor het aanwezig zijn van significante vaatvernauwingen.

Hoe de studie werd uitgevoerd

Het team maakte gebruik van een grote internationale registratie van 17.348 patiënten die PET/CT-hartscans hadden ondergaan. Uit deze groep concentreerden ze zich op 1.664 personen van vier centra die geen eerdere hartaanvallen of bypassoperaties hadden gehad en die vervolgens invasieve coronaire angiografie ondergingen, de contrastmiddel-gebaseerde röntgentest die als standaard geldt om vernauwingen te bevestigen. De gegevens van één ziekenhuis (386 patiënten) werden gebruikt om het AI-model te trainen en af te stemmen, terwijl gegevens van de andere drie ziekenhuizen (1.278 patiënten) werden achtergehouden voor echte “buiten”-testing. Het AI-model, gebaseerd op een machine-learningtechniek genaamd XGBoost, gebruikte tien scanafgeleide kenmerken waaronder bloedstroom onder inspanning, bloedstroomreserve, de omvang van perfusiedefecten, calciumscores automatisch gemeten op CT-beelden, pompkracht en een maat voor hoe de grootte van het hart verandert bij inspanning.

Hoe goed de AI presteerde

Op de externe testgroep, waarin ongeveer de helft van de patiënten daadwerkelijk obstructieve coronaire hartziekte had, presteerde het AI-model duidelijk beter dan zowel losse metingen als ervaren artsen. Met een gebruikelijke nauwkeurigheidsmaat, de area under the receiver operating characteristic curve, behaalde de AI een waarde van 0,83, vergeleken met 0,80 voor deskundige klinische scores, 0,79 voor de belangrijkste perfusiemaat, 0,75 voor bloedstroomreserve en 0,69 voor calcium alleen. Wanneer de onderzoekers de drempel aanpasten zodat de AI ongeveer hetzelfde aandeel patiënten als “normaal” labelde als traditionele grenswaarden, pikte de AI meer hoogrisicopatiënten met ernstige ziekte van meerdere vaten op. De prestaties waren stabiel bij mannen en vrouwen, jongere en oudere patiënten, en bij personen met en zonder obesitas, wat suggereert dat de aanpak breed toepasbaar is.

De logica van de AI zichtbaar maken

Een belangrijke zorg bij geavanceerde algoritmen in de geneeskunde is dat ze zich als “black boxes” kunnen gedragen, voorspellingen leveren zonder uitleg. Om dit te vermijden gebruikten de auteurs een techniek genaamd SHAP-analyse om te laten zien welke scankenmerken elke individuele voorspelling het sterkst beïnvloedden. Over de studie heen waren de belangrijkste drijfveren het aandeel hartspier met verminderde bloedstroom, de totale calciumlast en bloedstroomreserve. Bijvoorbeeld bij een in de tekst besproken patiënt met zeer verminderde doorstroming en hoogrisico-angiografische bevindingen kende de AI een hoge ziektewaarschijnlijkheid toe die vooral werd gedreven door slechte flowreserve. Bij een andere patiënt met grenswaarden voor perfusie maar normale bloedstroom en nul calcium gaf de AI terecht een lage waarschijnlijkheid van ziekte aan, in tegenstelling tot een meer alarmistische lezing door een arts. Dergelijke casusgerichte verklaringen kunnen hulpverleners helpen AI-ondersteunde beslissingen te vertrouwen en te verifiëren.

Wat dit betekent voor patiënten

Dit werk introduceert het eerste multicentrische, extern geteste AI-systeem dat standaard PET/CT-hartscanmetingen en geautomatiseerde calciumscores combineert om coronaire hartziekte te diagnosticeren. Het model levert een enkele, interpreteerbare risicoschatting die vaak de nauwkeurigheid van expertopinieën overtreft en tegelijk de specifieke scankenmerken achter elk oordeel belicht. Hoewel het hulpmiddel nog niet goedgekeurd is voor routinematig klinisch gebruik en verdere prospectieve studies nodig zijn, wijst het op een toekomst waarin hartbeeldresultaten worden samengevat in duidelijke, gepersonaliseerde risico­scores die artsen helpen met meer vertrouwen te beslissen wie invasief onderzoek of agressieve behandeling nodig heeft — en wie dat veilig kan vermijden.

Bronvermelding: Zhang, W., Kwiecinski, J., Shanbhag, A. et al. Multicenter evaluation of interpretable AI for coronary artery disease diagnosis from PET biomarkers. npj Digit. Med. 9, 154 (2026). https://doi.org/10.1038/s41746-026-02338-6

Trefwoorden: coronaire hartziekte, cardiale PET CT, kunstmatige intelligentie, calciumscores, myocardiale bloedstroom