Beoordeling van cardiale gezondheid in verschillende scenario's en apparaten met een multimodaal foundation-model voorgetraind op gegevens van 1,7 miljoen personen

Waarom uw hartslagmagevens ertoe doen

Van ziekenhuis‑hartmonitoren tot smartwatches: steeds meer aspecten van ons leven worden vastgelegd via kleine elektrische en optische signalen van het hart. Deze opnames kunnen gevaarlijke hartritmestoornissen detecteren, de bloeddruk zonder manchet schatten en zelfs wijzen op toekomstig hartfalen. Maar omdat apparaten en omgevingen sterk verschillen, werken de huidige algoritmen vaak alleen goed in de smalle situaties waarvoor ze zijn gebouwd. Deze studie introduceert een nieuw soort "foundation"‑model voor hartsignalen dat erop gericht is cardiale gezondheid tegelijk over veel apparaten, landen en gebruiksscenario’s heen te begrijpen.

Veel manieren om naar het hart te luisteren

Artsen en apparaten kunnen op verschillende manieren naar het hart luisteren. De klassieke ziekenhuistest is het 12‑leidingelektrocardiogram (ECG), met plakjes op borst en ledematen om de elektrische activiteit van het hart vanuit verschillende hoeken op te nemen. Op intensive cares gebruikt men vaak minder leads plus een optische sensor genaamd photoplethysmogram (PPG), die licht door de huid schijnt om het bloedpulseren door vaten te volgen. Thuis nemen smartwatches en patches soms slechts één ECG‑kanaal of alleen PPG op. Elk van deze opstellingen levert signalen op met verschillende vormen, lengtes en aantallen kanalen, wat het moeilijk heeft gemaakt om één model te bouwen dat overal werkt. Traditionele benaderingen trainen meestal aparte, op maat gemaakte algoritmen voor elk apparaat en elke taak, en zij hebben moeite bij toepassing in nieuwe omgevingen of populaties.

Één brein voor veel hartsignalen

De onderzoekers ontwierpen een cardiac sensing foundation model, of CSFM, om als gemeenschappelijk brein voor al deze signalen te fungeren. In plaats van te leren van één keurig dataset, is CSFM getraind op een enorme en rommelige verzameling: ongeveer 1,7 miljoen hartopnames uit meerdere ziekenhuizen en landen, waaronder zowel ECG‑ als PPG‑golven en de tekstverslagen die artsen of machines daarbij schreven. Het model hakt signalen in korte segmenten, zet zowel signalen als woorden om in tokens en voert die in een transformer, een type deep‑learningarchitectuur dat recente doorbraken in taal- en beeldbegrip mogelijk heeft gemaakt. Tijdens training worden grote delen van de tokens opzettelijk verborgen en leert het model de ontbrekende stukken te reconstrueren. Deze "gemaskerde" training dwingt CSFM essentiële patronen vast te leggen die gedeeld worden door verschillende apparaten, leads en beschrijvings‑talen.

Van diagnose naar bloeddruk en verder

Eenmaal getraind kan CSFM worden aangepast aan veel concrete taken met relatief kleine gelabelde datasets. Het team testte het op ritme‑ en ziekteclassificatie met standaard 12‑lead ECG’s, draagbare single‑lead ECG’s en PPG van smartwatches. Het presteerde niet alleen gelijk aan, maar overtrof vaak sterke, taakspecifieke deep‑netwerken. CSFM hielp ook bij het schatten van leeftijd, geslacht en body‑mass‑index direct uit korte ECG‑ en PPG‑segmenten, wat aangeeft dat het subtiele aanwijzingen over de persoon heeft opgenomen, niet alleen over het hartslagpatroon. In een andere reeks experimenten zette het model ECG en PPG om in continue bloeddrukgolven en vervolgens in systolische en diastolische waarden, en leverde daarmee nauwkeurigere manchetloze bloeddrukschattingen dan concurrerende methoden.

Werken over apparaten heen en gaten opvullen

Een bijzonder belangrijke test was of CSFM om kon gaan met situaties waarin slechts een deel van de gebruikelijke informatie beschikbaar is. De onderzoekers toonden aan dat modellen die van CSFM waren fijngetuned goed werkten, of ze nu alle 12 ECG‑leads, zes leads, twee veelvoorkomende leads of zelfs een enkele lead zagen. Ze testten ook combinaties van alleen‑ECG, alleen‑PPG en ECG‑plus‑PPG ingangen. Over deze opstellingen heen bleven systemen op basis van CSFM sterk, terwijl conventionele modellen sterker degradeerden. De interne representaties van het model konden zelfs worden gebruikt als kant‑en‑klare kenmerken voor eenvoudige hulpmiddelen zoals gradient‑boosted trees, die vaak prestaties bereikten vergelijkbaar met volledig fijngetunede diepe netwerken. Ten slotte kon CSFM door het toevoegen van een regressiekop het ene type signaal uit het andere genereren — bijvoorbeeld het produceren van een realistisch ECG uit een PPG‑spoor, of het reconstrueren van een volledige 12‑lead ECG uit één enkele lead — wat de deur opent naar data‑augmentatie en verbeterde analyse wanneer ideale opnames niet beschikbaar zijn.

Wat dit voor patiënten kan betekenen

Voor niet‑experts is de kernboodschap dat één algemeen toepasbaar model nu verschillende hartopnames kan begrijpen en toch nauwkeurige, klinisch bruikbare antwoorden kan geven. In plaats van voor elk apparaat en ziekenhuis een fragiel algoritme te bouwen, biedt CSFM een gedeelde basis die licht kan worden aangepast aan lokale behoeften, van het opsporen van gevaarlijke ritmes op een smartwatch tot het voorspellen welke patiënten een hoger sterfterisico binnen een jaar hebben. De auteurs erkennen openstaande kwesties, zoals het begrijpelijker maken van de beslissingen van het model voor clinici en het verminderen van de rekenbelasting. Desondanks suggereren hun resultaten dat foundation‑modellen voor hartsignalen kunnen helpen geavanceerde cardiale monitoring en risicovoorspelling naar meer mensen en meer plaatsen te brengen, met de apparaten die ze al hebben.

Bronvermelding: Gu, X., Tang, W., Han, J. et al. Cardiac health assessment across scenarios and devices using a multimodal foundation model pretrained on data from 1.7 million individuals. Nat Mach Intell 8, 220–233 (2026). https://doi.org/10.1038/s42256-026-01180-5

Trefwoorden: cardiaal foundation-model, elektrocardiogram, photoplethysmografie, digitale cardiologie, draagbare hartmonitoring