Snelle voorspelling van cardiale activatie in de linker ventrikel met geometrische deep learning: een stap richting planning van cardiac resynchronization therapy

Waarom timing belangrijk is voor een worstelend hart

Voor veel mensen met ernstige hartfalen kunnen kleine elektrische pulsen van een geïmplanteerd apparaat helpen dat de belangrijkste pompkamers van het hart beter synchroon samentrekken. Deze behandeling, cardiac resynchronization therapy genoemd, kan symptomen verlichten en de levensduur verlengen. Toch heeft ongeveer één op de drie patiënten weinig baat, vaak omdat de pacingdraad aan de linkerkant van het hart niet op de beste plek kan worden geplaatst. Deze studie onderzoekt of computermodellen aangedreven door moderne kunstmatige intelligentie snel kunnen voorspellen hoe elektriciteit zich door de linkerzijde van het hart verspreidt en artsen kunnen helpen bij het kiezen van pacinglocaties die op elke patiënt zijn afgestemd.

Van trage simulaties naar directe voorspellingen

De huidige meest nauwkeurige computermodellen van het hart zijn gebaseerd op complexe vergelijkingen die nabootsen hoe elektrische signalen door hartspier reizen. Hoewel gedetailleerd, kunnen deze simulaties minuten kosten op krachtige computers—te traag voor routinematig gebruik tijdens een medische ingreep. De auteurs streefden ernaar om snelle "surrogaat"-modellen te bouwen die van deze zware simulaties kunnen leren en vervolgens bijna onmiddellijk dezelfde resultaten reproduceren. Zij richtten zich op de linker ventrikel, de belangrijkste pompkamer van het hart, en op het voorspellen van "activatietijdkaarten", die laten zien hoe snel verschillende regio’s van deze kamer elektrisch worden geactiveerd tijdens een hartslag.

De AI het taal van harten vormen leren

Het hart van iedere persoon heeft een iets andere vorm, en die verschillen zijn van belang voor hoe elektrische golven zich verspreiden. In plaats van alle harten in een rigide raster te dwingen, gebruikten de onderzoekers een familie methoden genaamd geometrische deep learning, die direct met onregelmatige vormen kan werken. Ze ontwikkelden en vergeleken twee aan elkaar verwante benaderingen. De ene, gebaseerd op een graph neural network, beschouwt de linker ventrikel als een verzameling punten verbonden als een mesh. De andere, een geometry-informed neural operator genoemd, codeert deze onregelmatige vorm eerst naar een regulier intern raster, verwerkt deze en mapte het resultaat terug naar de oorspronkelijke anatomie. Beide modellen nemen de driedimensionale hartvorm, de locaties van stimulatie en de geleidingseigenschappen van het weefsel als invoer en voorspellen vervolgens hoe activatie zich door de spierwand verspreidt.

Opbouwen van een virtuele populatie harten

Aangezien grote verzamelingen echte patiëntgegevens met volledige driedimensionale activatietijdkaarten zeldzaam zijn, genereerde het team hun eigen virtuele dataset. Ze begonnen met 75 echte linker-ventrikelvormen die gezonde en zieke harten besloegen en gebruikten een statistisch vormmodel om 35.000 synthetische varianten te maken. Voor elk exemplaar bepaalden ze realistische spiervezelrichtingen, kozen één of twee pacinglocaties en varieerden ze de weefselgeleiding over een breed bereik. Gedetailleerde op natuurkunde gebaseerde simulaties produceerden activatietijdkaarten voor al deze virtuele harten, die vervolgens werden gebruikt om de deep learning-modellen te trainen en te testen. De modellen werden ook uitgedaagd met meshes van hogere resolutie en met linker-ventrikelgeometrieën afkomstig van twee onafhankelijke klinische cohorten om te zien hoe goed ze generaliseerden buiten de synthetische trainingsset.

Hoe goed presteerden de modellen?

Op synthetische harten die vergelijkbaar waren met de trainingsdata voorspelden beide modellen activatietijdkaarten met kleine fouten, maar de geometry-informed neural operator was ongeveer twee keer zo nauwkeurig als het graph neural network. Wanneer de onderzoekers overstapten naar realistische hartvormen, nam de fout voor beide modellen toe en werden hun prestaties vergelijkbaar. Dit geeft aan dat de belangrijkste beperking niet de kracht van de algoritmen is, maar de kloof tussen vereenvoudigde trainingsvormen en de volledige complexiteit van echte patiëntanatomie. Toch konden de modellen voorspellingen doen in milliseconden—veel sneller dan de ongeveer tien minuten die een traditionele simulatie vereist—waardoor ze aantrekkelijk zijn voor taken die duizenden herhaalde evaluaties vergen, zoals het zoeken naar veel mogelijke pacinglocaties.

Testen van een virtuele plannings­tool

Het team bouwde vervolgens de getrainde modellen in een proof-of-concept planningsworkflow voor resynchronisatietherapie. Beginnend met een linker-ventrikelvorm en een rumoerige activatietijdkaart bedoeld om klinische metingen na te bootsen, werkte de workflow eerst terug om de intrinsieke pacinglocatie van de patiënt en de weefselgeleiding te schatten. Daarna zocht hij over het ventrikeloppervlak naar een tweede pacinglocatie die de algehele activatietijd zou minimaliseren, een grootheid die in eerdere studies in verband is gebracht met een betere therapierespons. Beide deep learning-modellen konden patiëntspecifieke parameters uit rumoerige data herstellen en pacinglocaties voorstellen die de activatietijd aanzienlijk verkortten, allemaal binnen enkele tientallen seconden op één grafische processor. De auteurs bouwden ook een webgebaseerde interface waar gebruikers geometrieën kunnen uploaden, pacing-scenario’s verkennen en deze optimalisatie interactief uitvoeren.

Wat dit voor patiënten betekent

Dit werk toont aan dat zorgvuldig getrainde deep learning-modellen gedetailleerde elektrische simulaties van de linker ventrikel kunnen nabootsen over veel vormen en pacinginstellingen, en dat ze dat snel genoeg kunnen doen om in planningsinstrumenten te worden gebruikt. Hoewel de huidige modellen afhankelijk zijn van synthetische trainingsdata en alleen het elektrische gedrag in de linker ventrikel beschouwen, vormen ze een basis voor meer uitgebreide digitale tweelingen die beide harthelften en de mechanische pompwerking omvatten. Met rijkere real-world data en verdere verfijning zouden dergelijke hulpmiddelen op den duur clinici in staat kunnen stellen veel pacingstrategieën op een computer te testen voordat ze de kliniek ingaan, waardoor de kans toeneemt dat iedere patiënt een apparaatconfiguratie krijgt die het hartritme daadwerkelijk herstelt.

Bronvermelding: Naghavi, E., Wang, H., Ziaei-Rad, V. et al. Rapid prediction of cardiac activation in the left ventricle with geometric deep learning: a step towards cardiac resynchronization therapy planning. npj Digit. Med. 9, 225 (2026). https://doi.org/10.1038/s41746-026-02399-7

Trefwoorden: cardiale resynchronisatietherapie, geometrische deep learning, cardiale elektrofysiologie, patiëntspecifieke modellering, digitaal tweeling