Machine learning om neurocognitieve testscores af te leiden bij adolescenten en jongvolwassenen met aangeboren hartafwijkingen

Waarom dit belangrijk is bij opgroeien met een hartafwijking

Steeds meer kinderen met ernstige hartafwijkingen bereiken tegenwoordig de volwassenheid. Maar veel gezinnen ontdekken dat het overleven van hartoperaties niet het hele verhaal is: sommige tieners en jongvolwassenen krijgen moeite met aandacht, leren of geheugen. Deze studie stelt een praktisch maar ingrijpend vraagstuk: kunnen we met behulp van hersenscans, genetische informatie, medische voorgeschiedenis en gezinssituatie samen inschatten hoe een jongere met een aangeboren hartafwijking presteert op schoolachtige denk- en probleemoplossingstaken, zonder uitsluitend te leunen op tijdrovende tests?

Het hele plaatje bekijken, niet alleen het hart

De onderzoekers volgden 89 adolescenten en jongvolwassenen met aangeboren hartafwijkingen, in de leeftijd van 8 tot 30 jaar, uit centra verspreid over de Verenigde Staten. Elke deelnemer maakte standaard pen‑en‑papiertests die lezen, woordenschat, probleemoplossing, geheugen, verwerkingssnelheid en algemene IQ maten. Binnen ongeveer zes maanden—vaak binnen een paar dagen—ondergingen ze ook gedetailleerde MRI‑onderzoeken van de hersenen en leverden zij genetische monsters. Het team verzamelde informatie over hun hartdiagnoses en operaties, lengte en gewicht, en de sociaaleconomische achtergrond van het gezin, waaronder het opleidingsniveau van de ouders en het huishoudinkomen. Het doel was om elke jongere niet te zien als ‘een hartgeval’, maar als een geheel waarvan hersenen, genen, medische geschiedenis en omgeving samen bepalen hoe hij of zij denkt en leert.

Computers leren denkvaardigheden inschatten

Om dit complexe geheel aan informatie te begrijpen, gebruikten de onderzoekers machine learning—computermethoden die patronen kunnen vinden in grote datasets. Ze voedden duizenden metingen uit structurele en diffusion‑MRI (die hersenmaat, vorm en bedrading vastleggen) in het systeem, samen met 17 niet‑beeldvormende factoren zoals geslacht, aantal hartoperaties, types zeldzame genetische varianten en het opleidingsniveau van de ouders. Voor elk van 15 verschillende testscores over zeven brede denkgebieden trainden ze modellen om de score af te leiden uit deze kenmerken. Een geavanceerde methode voor feature‑selectie voegde herhaaldelijk kandidaatvariabelen toe en verwijderde ze weer, en behield alleen die combinaties die de prestaties daadwerkelijk verbeterden bij tests op achtergehouden deelnemers. Het team beoordeelde succes aan de hand van hoe nauw de afgeleide scores overeenkwamen met de echte testuitslagen en hoe groot de typische fout was in testscorepunten.

Wat de modellen wel en niet konden zien

De computermodellen konden de meeste testscores beter inschatten dan toeval, met correlaties tussen werkelijke en afgeleide scores variërend van bescheiden tot redelijk sterk. Volledige IQ‑score, werkgeheugen (het onthouden van reeksen cijfers) en verwerkingssnelheid (snel visueel scannen en symbolen vergelijken) behoorden tot de makkelijkst te voorspellen vaardigheden. Bijvoorbeeld, de schattingen van digit span, een veelgebruikte geheugentest, volgden de werkelijke prestaties behoorlijk nauwkeurig. In tegenstelling daarmee bleken meer specifieke vaardigheden, zoals het begrijpen van zinnen of het oplossen van block‑design puzzels, moeilijker te voorspellen. Wanneer de onderzoekers resultaten over tests heen combineerden, bleek algemene intelligentie het meest ’afleidbaar’, terwijl perceptueel redeneren—het uitvinden van patronen in vormen en ruimten—het minst voorspelbaar was.

Hoe hersenen, genen en omgeving elk een rol spelen

Door te onderzoeken op welke kenmerken de modellen vertrouwden, schetst de studie een genuanceerd beeld van wat cognitie in deze groep vormt. Hersenmetingen uit MRI kwamen in alle zeven cognitieve domeinen naar voren. Regio’s in de frontale en temporale kwab, en de witte‑stofverbindingen die ze verbinden, waren bijzonder belangrijk—gebieden die al lang gekoppeld zijn aan taal, geheugen en probleemoplossing. Maar niet‑hersengerelateerde factoren waren ook van belang. Het opleidingsniveau van de vader hielp bij het afleiden van het algemene IQ en visueel‑ruimtelijke vaardigheden, wat wijst op de invloed van thuisomgeving en leerkansen. Kenmerken van de hartziekte zelf, zoals het type diagnose en het aantal operaties, beïnvloedden verbale vaardigheden. Bepaalde zeldzame genetische varianten, met name diegenen die neuro‑ontwikkelingsgenen verstoren, bleken vaker geassocieerd met zwakkere lees‑, reken‑ of woordenschatvaardigheden. In plaats van één enkele oorzaak ontstaat een beeld van overlappende invloeden, waarbij hersenstructuur, medische geschiedenis, genen en sociaaleconomische context elk de cognitieve uitkomsten in verschillende richtingen duwen.

Wat dit kan betekenen voor zorg en nazorg

Voor gezinnen en clinici is de boodschap zowel geruststellend als vooruitziend. In deze relatief kleine maar zorgvuldig bestudeerde groep had een groot deel van de jongeren met aangeboren hartafwijkingen denkvaardigheden binnen het gemiddelde bereik. Toch laat de studie zien dat subtiele verschillen in cognitie zinvol geschat kunnen worden op basis van informatie die al in de moderne zorg wordt verzameld, vooral gedetailleerde hersenscans. Als dit bevestigd wordt in grotere en diversere groepen, zouden vergelijkbare modellen op termijn artsen kunnen helpen signaleren welke kinderen een hoger risico lopen op problemen op school of met geheugen, zelfs voordat problemen volledig zichtbaar worden. Dat kan vroegere verwijzingen naar onderwijssteun, cognitieve training of gezinsgerichte interventies sturen—waardoor hersengezondheid net zo centraal komt te staan in de nazorg als hartgezondheid zelf.

Bronvermelding: Hussain, M.A., He, S., Adams, H.R. et al. Machine learning to infer neurocognitive testing scores among adolescents and young adults with congenital heart disease. Commun Med 6, 144 (2026). https://doi.org/10.1038/s43856-026-01417-9

Trefwoorden: aangeboren hartafwijking, cognitie bij adolescenten, hersenen MRI, machine learning, neuro‑ontwikkeling