Een view-flexibel deep-learningkader voor geautomatiseerde analyse van 2D-echocardiografie

Waarom hartonderzoeken een helpende hand nodig hebben

Ultrageluidonderzoeken van het hart vormen een hoeksteen van de moderne cardiologie, maar betrouwbare informatie uit zulke beelden halen vereist doorgaans jaren van training. In drukke klinieken, spoedeisende hulp of afgelegen omgevingen is die expertise niet altijd beschikbaar, wat de zorg voor mensen met hartproblemen kan vertragen. Deze studie onderzoekt of kunstmatige intelligentie (AI) veelvoorkomende hart‑echovideo’s vanuit vrijwel elk standaardhoek kan lezen, zodat hoogwaardige hartbeoordelingen mogelijk zijn, zelfs wanneer beelden zijn vastgelegd door minder ervaren gebruikers met draagbare apparaten.

Een nieuwe manier om bewegende hartbeelden te lezen

De onderzoekers bouwden een deep‑learningkader dat korte videoclips van tweedimensionale echocardiogrammen kan analyseren — bewegende zwart‑witbeelden van een kloppend hart. In tegenstelling tot traditionele computertools die een zeer specifieke aanzicht verwachten, accepteert dit systeem meerdere veelvoorkomende views zolang de belangrijkste pompkamer, het linker ventrikel, zichtbaar is. Uit deze gevarieerde aanzichten schat de AI drie zaken: hoe goed het hart bloed pompt (de linkerventrikel ejectiefractie, of LVEF), de leeftijd van de patiënt en het geslacht van de patiënt. Het centrale idee is om echografie los te maken van starre view‑vereisten zodat goede metingen mogelijk blijven, zelfs wanneer beelden niet perfect zijn.

Het systeem testen bij veel verschillende patiëntengroepen

Om te beoordelen hoe goed het kader werkt, trainden de onderzoekers het op tienduizenden standaard‑echocardiogrammen van Mayo Clinic‑locaties in Minnesota en Wisconsin. Vervolgens testten ze het op meerdere onafhankelijke groepen: meer patiënten uit Arizona en Florida, een grote openbare dataset van Stanford en twee verzamelingen handheld‑echobeelden. Eén handheldset kwam van patiënten die tijdens hetzelfde bezoek zowel een onderzoek met een standaardapparaat als een handheld scan kregen. De andere kwam uit ziekenhuizen in de Verenigde Staten en Israël, waar zowel deskundige echografisten als novices — verpleegkundigen en medische arts‑assistenten met een korte training en realtime begeleidingssoftware — handheldbeelden opnamen.

Hoe nauwkeurig waren de AI‑schattingen van hart en lichaam?

Over deze diverse datasets heen volgden de LVEF‑schattingen van de AI nauwgezet de waarden die door deskundige lezers waren berekend, met typische verschillen van minder dan tien procentpunten in de overgrote meerderheid van de gevallen. De AI presteerde ook goed op een belangrijke praktische vraag: vaststellen of de pompfunctie duidelijk verminderd was of niet. Voor zowel standaardapparaten als draagbare apparaten was de prestatie van het systeem bij het signaleren van significante lage LVEF vergelijkbaar met die van menselijke specialisten. Belangrijk is dat de resultaten sterk bleven wanneer beelden met handheldscanners werden vastgelegd, en zelfs wanneer die scanners door novices met begeleidingssoftware werden bediend. Slechts in een klein minderheid van gevallen week de LVEF‑schatting van door novices verkregen clips wezenlijk af van die van door experts verkregen clips voor dezelfde patiënt.

Verborgen aanwijzingen voor leeftijd en geslacht in hartbeweging

Naast de pompkracht was de AI verrassend goed in het raden van iemands leeftijd en geslacht op basis van alleen het hartultrageluid. Geschatte leeftijd kwam sterk overeen met de werkelijke leeftijd, ongeacht of beelden van standaardapparaten of handhelds afkomstig waren. De classificatie van geslacht was ook zeer nauwkeurig over alle testgroepen. Hoewel deze kenmerken in de kliniek al bekend zijn, suggereert het vermogen om ze betrouwbaar uit hartbewegingen af te leiden dat echobeelden subtiele patronen van veroudering en biologische verschillen bevatten die het menselijk oog niet routinematig kwantificeert. De auteurs suggereren dat mismatchen tussen AI‑geschatte en werkelijke leeftijd bijvoorbeeld mogelijk ‘‘biologische hartleeftijd’’ weerspiegelen en kunnen helpen mensen met een hoger cardiovasculair risico te identificeren.

Wat dit betekent voor toekomstige hartzorg

Deze studie laat zien dat één AI‑kader een breed scala aan routinematige hartultraclippen kan omzetten in nuttige klinische informatie zonder te eisen dat camera‑hoeken perfect zijn of dat er experts aanwezig zijn. Door de hartpompfunctie nauwkeurig te beoordelen en bredere aanwijzingen over patiëntkenmerken te extraheren uit zowel standaard- als handheldscans, kan de aanpak snellere triage ondersteunen in klinieken, spoedeisende hulp en zelfs pre‑hospital zorg. Hoewel het werk nog getoetst moet worden in meer raciaal en etnisch diverse groepen en in minder gecontroleerde, real‑worldomgevingen, wijst het op een toekomst waarin meer hulpverleners met eenvoudige handheldscanners betrouwbare inzichten in hartgezondheid aan het bed kunnen verkrijgen.

Bronvermelding: Anisuzzaman, D.M., Malins, J.G., Jackson, J.I. et al. A view-flexible deep learning framework for automated analysis of 2D echocardiography. npj Cardiovasc Health 3, 17 (2026). https://doi.org/10.1038/s44325-025-00100-7

Trefwoorden: echocardiografie, kunstmatige intelligentie, handheld echografie, ejectiefractie, cardiovasculaire beeldvorming