Multimodale multi‑instance‑learning voor de voorspelling van cardiopulmonaal inspanningstestresultaat

Waarom dit belangrijk is voor mensen met een zwak hart

Voor mensen die leven met hartfalen is een van de grootste vragen: “Hoeveel tijd heb ik nog, en wat kunnen artsen voor mij doen?” De beste medische test om dat tegenwoordig te beantwoorden is een belastende loopband‑ of fietstest die meet hoeveel zuurstof het lichaam tijdens zware inspanning kan gebruiken. Maar deze test is moeilijk beschikbaar en wordt niet in veel ziekenhuizen aangeboden. Deze studie laat zien hoe artsen in plaats daarvan veelgebruikte hart‑echoscans en informatie die al in het medisch dossier staat, kunnen gebruiken, gecombineerd met moderne kunstmatige intelligentie, om hetzelfde cruciale getal te schatten en patiënten te signaleren die mogelijk levensreddende geavanceerde therapieën nodig hebben.

De uitdaging om gevaar vroeg te zien

Hartfalen treft miljoenen mensen en zorgt vaak voor meer dan tien verloren levensjaren. In het meest gevorderde stadium kan de overleving slechter zijn dan bij veel vormen van kanker, en toch krijgt slechts een klein deel van de patiënten tijdig behandelingen zoals harttransplantatie of mechanische pompen. Een belangrijk instrument om te bepalen wie doorverwezen moet worden voor deze therapieën is de cardiopulmonaal inspanningstest, die de “peak VO₂” meet — de maximale hoeveelheid zuurstof die het lichaam tijdens inspanning kan gebruiken. Lage peak VO₂ is een sterke waarschuwingssignaal, maar de test vereist speciale apparatuur, getraind personeel en ruimte, zodat veel centra — vooral kleinere of landelijke ziekenhuizen — deze niet kunnen aanbieden. Daarentegen zijn standaard hart‑echoscans (transthoracale echocardiografie, of TTE) en elektronische patiëntendossiers (EHRs) veelal beschikbaar, maar op zichzelf zijn ze niet erg goed geweest in het voorspellen wie het grootste risico loopt.

Computers leren over meerdere testen heen te lezen

De onderzoekers bouwden een nieuw systeem voor kunstmatige intelligentie dat leert uit twee hoofdbronnen: bewegende echobeelden van het hart en gedetailleerde gegevens uit het EHR, zoals leeftijd, gewicht, medicijnen en standaard hartmetingen. Elke echografie bevat vele clips en gespecialiseerde aanzichten, dus in plaats van elk beeld afzonderlijk te behandelen, bekijkt het model ze allemaal samen, meer zoals een arts dat zou doen. Het gebruikt een “multi‑instance” strategie: eerst zet het elk beeld of elke clip om in een compacte beschrijving, vervolgens combineert het die met een aandachtmechanisme dat het model in staat stelt zich te concentreren op de meest informatieve delen. Tegelijkertijd zet een gespecialiseerd neuraal netwerk, getraind op veel soorten tabelvormige medische data, de EHR‑informatie om in zijn eigen samenvatting. Een laatste fusiestap mengt de echoscansamenvatting en de EHR‑samenvatting tot één patiëntportret, waaruit het systeem de peak VO₂ voorspelt en bepaalt of iemand onder een kritiek veiligheidsdrempel valt.

Hoe goed het systeem presteert

Het team trainde en testte hun methode op gegevens uit vier grote ziekenhuizen binnen het New York–Presbyterian netwerk, waarbij ze 1.000 patiënten gebruikten voor ontwikkeling en 127 patiënten van aparte locaties voor externe validatie. Vergeleken met een eerder, eenvoudiger AI‑model dat echo‑ en EHR‑gegevens meer onafhankelijk van elkaar bekeek, was het nieuwe raamwerk duidelijk accurater. Het verklaarde ongeveer 60% van de variatie in peak VO₂ in de hoofdtestgroep, versus ongeveer 53% daarvoor, en de typische fout verkleinde met grofweg een halve metabole equivalent van taak, een klinisch betekenisvolle verbetering. Wanneer het doel simpelweg was om hoog‑risico patiënten te identificeren — degenen met bijzonder lage inspanningscapaciteit — bereikte het systeem een area‑under‑the‑curve van 0,85 in de ontwikkelingsgroep en 0,87 in de externe ziekenhuizen, en presteerde het beter dan alle modellen die alleen echo‑ of alleen EHR‑gegevens gebruikten. In praktische termen betekende dit dat bij een vast, klinisch redelijk compromis tussen gemiste gevallen en valse alarmen, meer werkelijk hoog‑risico patiënten correct werden gemarkeerd.

In de zwarte doos kijken

Om te controleren dat het model op zinnige kenmerken lette, maakten de auteurs visuele kaarten over de echobeelden die lieten zien welke regio’s de voorspellingen het meest beïnvloedden. De kaarten benadrukten vaak hartkamers, hun beweging en bloedstroom‑golfvormen — kenmerken waarop cardiologen al vertrouwen — wat suggereert dat het systeem zinvolle patronen leert in plaats van ruis. In de EHR‑gegevens bleken maatstaven zoals leeftijd, body‑mass index en de pompfunctie van de linkerventrikel bijzonder belangrijk, opnieuw in lijn met klinische verwachtingen. De onderzoekers bekeken ook hoe het model presteerde in verschillende subgroepen. De prestaties waren vergelijkbaar voor mannen en vrouwen en voor witte en niet‑witte patiënten bij het voorspellen van de exacte peak VO₂‑waarde, hoewel er enige verschillen opdoken bij oudere volwassenen en bij hoogrisicoclassificatie tussen rassengroepen, wat de noodzaak benadrukt van meer diverse data en verfijning met aandacht voor eerlijkheid.

Van onderzoek naar zorg aan het bed

Aangezien het systeem informatie gebruikt die al routinematig wordt verzameld — standaard echocardiogrammen en bestaande EHR‑data — zou het in principe direct in ziekenhuissoftware kunnen worden ingebed. Nadat een scan is beoordeeld, zou de AI stilletjes de peak VO₂ kunnen schatten en patiënten markeren van wie de voorspelde inspanningscapaciteit gevaarlijk laag is, zodat artsen formele inspanningstests kunnen aanvragen of kunnen verwijzen naar gespecialiseerde centra voor geavanceerd hartfalen. De resultaten van de studie, inclusief sterke prestaties in ziekenhuizen die niet voor training werden gebruikt, suggereren dat een dergelijk hulpmiddel kan helpen meer patiënten in nood op te sporen die anders over het hoofd gezien zouden worden. Hoewel prospectieve trials en breder testen nog nodig zijn, wijst dit werk op een toekomst waarin krachtige maar schaars beschikbare tests worden aangevuld met AI‑systemen die slimmer gebruikmaken van de gegevens die de meeste ziekenhuizen al hebben.

Bronvermelding: Huang, Z., Pan, W., Alishetti, S. et al. Multimodal multi-instance learning for cardiopulmonary exercise testing performance prediction. npj Digit. Med. 9, 304 (2026). https://doi.org/10.1038/s41746-026-02493-w

Trefwoorden: hartfalen, cardiopulmonaal inspanningstest, echocardiografie, kunstmatige intelligentie, risicovoorspelling