Diagnose van coronaire hartziekte met signaalverwerking en machine learning van hartgeluiden: een systematische review

Luisteren naar het hart in plaats van de slagaders binnen te gaan

Coronaire hartziekte, waarbij de bloedvaten die het hart van bloed voorzien vernauwen, is een van de belangrijkste doodsoorzaken wereldwijd. Tegenwoordig bevestigen artsen deze ziekte meestal met invasieve scans waarbij katheters in het hart worden gebracht of met kostbare beeldvormende apparatuur. Deze studie stelt een eenvoudige, aantrekkelijke vraag: kan zorgvuldige analyse van gewone hartgeluiden — opgenomen met microfoons op de borst en geïnterpreteerd door computers — een veilige, snelle eerste controle bieden voor verstopte kransslagaders?

Waarom geblokkeerde slagaders het geluid van het hart veranderen

Wanneer een kransslagader vernauwd is, wordt bloed door een kleinere opening geperst, wat turbulente, hoog-snelheidsstroming veroorzaakt. Die turbulentie kan zwakke murmels en extra trillingen genereren, vooral tijdens de ontspanningsfase van het hart wanneer de bloedstroom normaal rustiger is. Hetzelfde verlies aan bloedtoevoer kan subtiel de kracht van de hartcontractie verzwakken en de timing en sterkte van de belangrijkste hartslagen veranderen. Al deze veranderingen vormen de “muziek” van de hartslag iets anders. Moderne elektronische stethoscopen kunnen deze geluiden vastleggen, die vervolgens in digitale signalen worden omgezet voor computeranalyse.

Hoe onderzoekers de wetenschappelijke literatuur doorzochten

De auteurs doorploegden vier grote medische databases en screenenden meer dan duizend publicaties over hartgeluiden en coronaire ziekte. Na het verwijderen van duplicaten, zeer kleine rapporten en artikelen met gebrekkige methoden, hielden ze 40 studies over die samen 13.814 mensen omvatten. Bij bijna al deze studies werd de aanwezigheid of afwezigheid van significante slagadervernauwing bevestigd met standaard beeldvorming van de kransslagaders, waarna die bevindingen werden vergeleken met wat uit hartgeluiden kon worden afgeleid. Ongeveer de helft van de studies vertrouwde op traditionele signaalverwerking — wiskundige beschrijvingen van geluidsenergie en frequentie — terwijl de andere helft machine learning gebruikte, waarbij algoritmen patronen rechtstreeks uit gegevens leren.

Beperkingen van traditionele geluidsmetingen

In de oudere benadering kozen wetenschappers een paar specifieke geluidseigenschappen waarvan zij meenden dat die vernauwde slagaders zouden weerspiegelen. Typische grootheden waren hoeveel geluidsenergie in bepaalde frequentiebanden voorkwam tijdens de ontspanningsfase van het hart, of hoe lang en hoe sterk de belangrijkste hartslagen waren. Deze studies leken vaak veelbelovend in kleine patiëntengroepen, soms met beweringen dat ze de ziekte in meer dan 70 procent van de gevallen correct konden identificeren. Maar naarmate de steekproefomvang groeide tot honderden of duizenden, daalde de nauwkeurigheid vaak, vaak onder de 70 procent en soms dicht bij 50 procent. Veel van deze studies testten hun methoden bovendien op dezelfde personen die voor de ontwikkeling werden gebruikt, wat twijfel doet rijzen of de resultaten ook bij nieuwe patiënten standhouden.

Machine learning leert de verborgen patronen van het hart

De nieuwere studies volgden een andere weg. In plaats van zichzelf te beperken tot enkele handgepickte kenmerken, lieten ze computeralgoritmen rijkere patronen in het geluid leren. Sommige studies combineerden tientallen of zelfs honderden traditionele metingen; andere voerden de ruwe geluidsgolf of kleurrijke tijd–frequentiebeelden van de hartslag in deep-learningnetwerken in. Over 19 van zulke studies rapporteerde de meerderheid sensitiviteit en specificiteit boven de 80 procent, wat betekent dat de systemen zowel zieke als gezonde personen vaak correct identificeerden. Belangrijk is dat de meeste machine-learningstudies hun modellen testten op hartgeluiden van mensen die niet voor training waren gebruikt, wat meer vertrouwen geeft dat de hulpmiddelen kunnen generaliseren. Modellen die naar de gehele hartcyclus luisterden, in plaats van alleen naar de rustige diastolische fase, presteerden over het algemeen het beste — wat suggereert dat nuttige aanwijzingen voor slagaderziekte verspreid zijn over de hartslag en niet tot één moment beperkt zijn.

Wat dit kan betekenen voor de dagelijkse zorg

Gezamenlijk suggereert het bewijs dat machine learning toegepast op hartgeluiden echte belofte heeft als niet-invasieve hulp bij het opsporen van coronaire hartziekte, terwijl eenvoudigere signaalverwerkingstrucs op zichzelf waarschijnlijk niet nauwkeurig genoeg zijn. De auteurs waarschuwen echter dat de meeste studies tot nu toe klein zijn en in enkele ziekenhuizen zijn uitgevoerd, vaak onder zorgvuldig gecontroleerde opnameomstandigheden. Om van onderzoek naar dagelijks gebruik te gaan — misschien op de eerste hulp, in klinieken of zelfs in smartphone-gebaseerde hulpmiddelen — zijn grotere, multicenterproeven nodig. Deze toekomstige studies moeten aantonen dat dergelijke systemen nauwkeurig blijven in diverse patiëntengroepen, begrijpelijk zijn voor clinici en soepel passen in zorgtrajecten. Als die hobbels genomen kunnen worden, kan nauwkeurig luisteren naar het hart met behulp van kunstmatige intelligentie ooit verborgen slagaderziekte signaleren lang voordat een invasieve test nodig is.

Bronvermelding: Ainiwaer, A., Konings, T.J., Kadier, K. et al. Coronary artery disease diagnosis with signal processing and machine learning of heart sound signals: a systematic review. npj Digit. Med. 9, 350 (2026). https://doi.org/10.1038/s41746-026-02530-8

Trefwoorden: coronaire hartziekte, hartgeluiden, machine learning, niet-invasieve diagnose, digitale stethoscoop