Prestaties van het 12-afleidingen ECG bij het voorspellen van kort- en langetermijnrisico op plotselinge hartdood

Waarom dit belangrijk is voor hartpatiënten

Plotselinge hartdood treft zonder waarschuwing en komt vaak voor bij mensen die al weten dat ze hartziekte hebben. Veel van deze patiënten ondergaan routinematig elektrocardiogrammen (ECG's), eenvoudige tests die de elektrische activiteit van het hart vastleggen. Deze studie stelde een dringende vraag voor zowel patiënten als artsen: kunnen de gegevens die verborgen liggen in standaard 12‑afleidingen ECG's, gecombineerd met basis klinische gegevens, betrouwbaar aangeven wie het risico loopt plotseling te overlijden, zowel jaren in de toekomst als op korte termijn?

Op zoek naar waarschuwingssignalen in alledaagse harttesten

Onderzoekers in Finland onderzochten de medische dossiers van 17.625 volwassenen behandeld in één hartcentrum die een coronaire angiografie ondergingen, een beeldvormingstest van de bloedvaten die het hart van bloed voorzien. Deze patiënten werden al als hoogrisico beschouwd omdat velen coronaire hartziekte of een acuut coronair syndroom zoals een hartinfarct hadden. Gedurende zestien jaar werden hun routinematige ECG's digitaal opgeslagen, wat ongeveer een half miljoen opnamen opleverde—gemiddeld 17 ECG's per persoon. Het team had ook gedetailleerde informatie over ieders gezondheid, behandelingen en doodsoorzaken, en volgde hen gedurende een mediaan van 7,5 jaar.

Een computer leren het elektrische verhaal te lezen

In plaats van cardiologen de ECG's te laten beoordelen, vertrouwden de onderzoekers op cijfers die automatisch werden geëxtraheerd door veelgebruikte commerciële software. Deze cijfers beschreven vele aspecten van het elektrische gedrag van het hart: hoe lang elke golf duurde, hoe sterk die in verschillende afleidingen was, en of ritmes zoals atriumfibrilleren aanwezig waren. Met deze rijke set parameters en basis klinische factoren zoals leeftijd, pompfunctie van het hart en eerdere hartziekte trainden ze een geavanceerde machine‑learningmethode genaamd gradient boosting om mensen die later plotseling overleden of een nauw verwant voorval hadden te onderscheiden van degenen die dat niet deden. Ze bouwden aparte modellen voor drie scenario's: alleen het eerste ECG na angiografie gebruiken om langetermijnrisico te voorspellen; het laatst beschikbare ECG gebruiken om kortetermijnrisico te beoordelen; en het laatste ECG plus hoe elke ECG‑kenmerk in de loop van de tijd was veranderd.

Hoe goed presteerden de modellen eigenlijk?

Op papier leken de modellen erg sterk wanneer ze alleen werden beoordeeld op de gegevens waarmee ze waren opgebouwd, met standaard maatstaven voor nauwkeurigheid die bijna uitstekende prestaties suggereerden. Maar toen de onderzoekers ze realistischer testten, werd het beeld gematigder. Met slechts één baseline‑ECG alleen kon het model mensen die in de toekomst plotseling zouden overlijden onderscheiden met een area under the curve (AUC) van ongeveer 0,68—beter dan toeval, maar verre van perfect. Het laatste ECG genomen vóór het einde van de follow‑up deed het niet beter wanneer het op zichzelf werd gebruikt. Toen klinische risicofactoren werden toegevoegd, steeg de prestatie licht naar AUC‑waarden rond 0,70–0,71. De beste kortetermijnresultaten werden behaald door het laatste ECG te combineren met informatie over hoe ECG‑kenmerken in de loop der jaren waren veranderd, wat een AUC van ongeveer 0,72 opleverde in de volledige testset. Echter, wanneer het team een eerlijke vergelijking afdwong tussen zorgvuldig gematchte patiënten met en zonder plotselinge dood, daalden deze waarden naar het midden van de 0,6‑range.

Beperkingen van voorspelling in de praktijk

Omdat plotselinge hartdood relatief zeldzaam was—even in deze hoogrisicogroep—gaf een andere maatstaf, precision‑recall, een nuchtere kijk. Het vermogen van de modellen om patiënten die daadwerkelijk plotseling zouden overlijden correct aan te wijzen bleef laag, met gemiddelde precision rond 0,08–0,11. Dit was nog steeds ongeveer het dubbele van wat men op basis van toeval zou verwachten, maar ver beneden wat nodig zou zijn om met vertrouwen te bepalen wie invasieve preventieve behandelingen zoals een implanteerbare defibrillator moet krijgen. Belangrijk is dat de studie veel patiënten omvatte met onregelmatige ritmes en ernstige bijkomende ziekten, in tegenstelling tot eerdere, meer selectieve onderzoeken. Die keuze maakte de resultaten representatiever voor de dagelijkse klinische praktijk, maar maakte voorspelling ook moeilijker.

Wat dit betekent voor patiënten en artsen

Simpel gezegd laat deze grote studie zien dat gewone 12‑afleidingen ECG's, zelfs wanneer ze worden gelezen door geavanceerde computeralgoritmen en gecombineerd met klinische gegevens, slechts in beperkte mate kunnen voorspellen wie er plotseling zal overlijden onder hartpatiënten met hoog risico. De elektrische signalen van het hart bevatten nuttige aanwijzingen—vooral wanneer ze in de loop van de tijd worden gevolgd—maar ze zijn op zichzelf niet krachtig genoeg om eenduidige antwoorden te geven over wie agressieve preventieve therapie nodig heeft. Voorlopig moeten artsen en patiënten blijven vertrouwen op een bredere beoordeling die hartfunctie, symptomen, andere ziekten en opkomende hulpmiddelen omvat, terwijl onderzoek doorgaat naar sterkere en betrouwbaardere waarschuwingssignalen.

Bronvermelding: Hernesniemi, J.A., Pukkila, T., Rankinen, J. et al. Performance of the 12-lead ECG in predicting short- and long-term risk of sudden cardiac death. npj Digit. Med. 9, 317 (2026). https://doi.org/10.1038/s41746-026-02456-1

Trefwoorden: plotselinge hartdood, elektrocardiogram, machine learning, risicovoorspelling, coronaire hartziekte