Genetische ontdekkingen en cardiovasculair risicobeoordeling mogelijk maken door elektrocardiogrammen te voorspellen uit genotype

Het hart lezen uit ons DNA

De meeste mensen zullen vroeg in hun leven nooit een hartritmetest ondergaan, maar vrijwel iedereen heeft tegenwoordig DNA opgeslagen in grote onderzoeksprojecten. Deze studie stelt een gedurfde vraag: kunnen we die genetische gegevens gebruiken om te voorspellen hoe iemands hartregistratie eruit zou zien—en daaruit hun toekomstige risico op hartziekten inschatten? Als dat mogelijk is, zouden artsen mensen jaren vóór het optreden van symptomen kunnen waarschuwen voor cardiovasculaire problemen, op basis van alleen een bloed- of speekselmonster.

Waarom hartsignalen ertoe doen

Cardiovasculaire aandoeningen zijn wereldwijd de belangrijkste doodsoorzaak. Een eenvoudige, pijnloze test, het elektrocardiogram (ECG), registreert de elektrische activiteit van het hart en kan gevaarlijke ritmestoornissen of beschadigd hartweefsel aantonen. Veel subtiele kenmerken van een ECG, zoals de hoogte en breedte van golven, zijn deels erfelijk. Grote studies suggereren dat 40–70% van de verschillen tussen iemands ECGs aan genetica kan worden toegeschreven. Helaas heeft in grote biobanken zoals de UK Biobank slechts ongeveer één op de tien deelnemers zowel DNA-gegevens als ECG-opnames. Dat bemoeilijkt het opsporen van alle genetische factoren achter hartziekten en het gebruik van ECG-informatie voor grootschalige vroegtijdige risicovoorspelling.

Een neuraal netwerk trainen om ECGs voor te stellen

De onderzoekers ontwikkelden een deep learning-model genaamd CapECG dat leert de genetische varianten van een persoon te vertalen naar 169 gedetailleerde ECG-meting(en). Ze trainden het op meer dan 37.000 mensen van Europese afkomst die zowel DNA als 12‑afleidings‑ECG-gegevens hadden in de UK Biobank. Omdat het genoom miljoenen sterk verwante markers bevat, groepeerden ze eerst nabijgelegen varianten in blokken die geneigd zijn samen geërfd te worden en gebruikten ze een methode genaamd LD‑PCA om elk blok samen te vatten in een paar kerncomponenten. CapECG past vervolgens een ‘attention’-mechanisme toe om te wegen welke blokken het belangrijkst zijn, en een capsule‑achtige neurale netwerkarchitectuur om complexe, gelaagde patronen tussen genetische veranderingen en ECG-eigenschappen vast te leggen.

Hoe goed het model de genetische hartafdruk leest

Op een interne testset van 7.422 mensen kwamen de door CapECG voorspelde ECG-eigenschappen overeen met de daadwerkelijke metingen met een gemiddelde correlatie van ongeveer 0,62 voor de 102 eigenschappen die duidelijk erfelijk zijn. Sommige kenmerken werden bijzonder goed voorspeld, met correlaties boven 0,8. Een belangrijk aandachtspunt van de studie was de ruimtelijke QRS‑T‑hoek, een driedimensionale maat voor hoe de elektrische activatie en herstelprocessen van het hart in de ruimte op elkaar zijn afgestemd. Deze hoek hangt samen met gevaarlijke ritmestoornissen en plotselinge hartdood. CapECG voorspelde deze hoek met een correlatie rond 0,65, en statistische controles lieten zien dat voorspelde en waargenomen waarden nauw overeenkwamen, vooral voor eigenschappen met sterkere genetische invloed.

Verborgen genetische aanwijzingen ontdekken en ziekte voorspellen

Nadat het model was getraind, paste het team CapECG toe op bijna 390.000 UK Biobank‑deelnemers die DNA hadden maar geen ECG‑opnames, en imputeerde zo feitelijk hun ECGs alleen op basis van hun genen. Vervolgens voerden ze grootschalige genetische associatiestudies uit op deze voorspelde ECG-eigenschappen. Voor de ruimtelijke QRS‑T‑hoek ontdekten ze 133 significante genetische loci, waaronder 33 die overlappen met een belangrijke eerdere studie van meer dan 118.000 mensen—veel meer overlap dan bij gebruik van alleen de kleinere set echte ECGs. Vergelijkbare winst werd gezien voor het QT‑interval, een belangrijke maat die gekoppeld is aan gevaarlijke ritmestoornissen. Gen‑niveau analyse belichtte tientallen genen die betrokken zijn bij elektrische signalering en ritmeregulatie van het hart, en wees op aanvullende kandidaten die eerder niet aan hartfunctie waren gekoppeld.

Van voorspelde registraties naar toekomstig hartfalen

De onderzoekers bouwden vervolgens een ander deep learning‑model, DeepCVD, dat de 169 door CapECG voorspelde ECG-eigenschappen gebruikt, plus leeftijd en geslacht, om iemands risico op zes belangrijke cardiovasculaire aandoeningen te schatten, waaronder hoge bloeddruk, hartinfarct en boezemfibrilleren. Getraind op honderduizenden genetisch geprofileerde deelnemers bereikte DeepCVD een gemiddelde nauwkeurigheid (AUC) van ongeveer 0,80 in een achtergehouden testgroep—aanzienlijk beter dan een standaard polygeen risicoscore‑benadering die alleen op DNA en basisfactoren steunde en ongeveer 0,71 bereikte. Een verwant model, DeepCVD‑Age, gebruikte dezelfde inputs om de leeftijd te voorspellen waarop iemand gediagnosticeerd zou kunnen worden met deze aandoeningen; de voorspellingen correleerden sterk (rond 0,74) met de daadwerkelijk in de database geregistreerde leeftijden en presteerden redelijk goed zelfs bij mensen van niet‑Europese afkomst.

Wat dit voor patiënten kan betekenen

In eenvoudige bewoordingen laat dit werk zien dat een machine‑learning‑systeem genoeg kan leren uit gecombineerde DNA‑ en ECG‑gegevens om voor mensen die de test nooit hebben ondergaan een ECG te ‘verbeelden’. Die verbeelde ECG‑eigenschappen zijn niet alleen goed genoeg om nieuwe genen te ontdekken die betrokken zijn bij hartritme en structuur, maar ook om veelgebruikte genetische scores te overtreffen bij het voorspellen wie hartziekte zal ontwikkelen en grofweg wanneer. Hoewel de aanpak nog getest moet worden in onafhankelijke populaties en verder verfijnd behoort te worden, wijst het op een toekomst waarin een eenvoudige genetische test een venster kan bieden op iemands levenslange hartgezondheid, lang vóór het eerste afwijkende tracé op een kliniekscherm verschijnt.

Bronvermelding: Lin, S., Yang, Y. & Zhao, H. Empowering genetic discoveries and cardiovascular risk assessment by predicting electrocardiograms from genotype. npj Digit. Med. 9, 255 (2026). https://doi.org/10.1038/s41746-026-02438-3

Trefwoorden: voorspelling van cardiovasculair risico, genetica van elektrocardiogrammen, deep learning in de geneeskunde, genoomwijde associatiestudies, biobankgegevens