Oxford AI detecteert vroegtijdig risico op hartfalen aan de hand van routinematige CT-scans met een nauwkeurigheid van 86% bij 72,000 patiënten.
In het kort
Onderzoekers van de Universiteit van Oxford hebben een AI-systeem ontwikkeld dat subtiele, onzichtbare veranderingen in hartvet detecteert aan de hand van routinematige CT-scans. Het systeem voorspelt het risico op hartfalen tot wel vijf jaar van tevoren met een nauwkeurigheid van 86% bij 72,000 patiënten.
Onderzoekers van de Universiteit van Oxford Ze hebben een kunstmatig intelligentiesysteem ontwikkeld dat het risico van een patiënt op het ontwikkelen van hartfalen tot wel vijf jaar van tevoren kan inschatten. Bij een validatietest met meer dan 72,000 patiënten werd een nauwkeurigheid van 86% behaald. De methode vereist geen extra tests, specialistische interventie of nieuwe medische apparatuur, omdat deze gebruikmaakt van CT-scans van het hart die al routinematig in de klinische praktijk worden uitgevoerd.
Het onderzoek, onder leiding van professor Charalambos Antoniades en gepubliceerd in het Journal of the American College of Cardiology, pakt een al lang bestaande beperking in de cardiologie aan: hartfalen wordt doorgaans pas vastgesteld nadat er al aanzienlijke structurele schade is opgetreden, waardoor preventieve opties vaak beperkt zijn. Het voorgestelde systeem richt de aandacht op vroege biologische veranderingen die jaren voorafgaan aan zichtbare symptomen.
Centraal in het model staat een onconventionele gegevensbron: het vet rond het hart, ook wel pericardiaal vetweefsel genoemd. Hoewel dit weefsel traditioneel over het hoofd wordt gezien bij routinematige scananalyses, lijkt het de onderliggende ontstekings- en metabolische veranderingen in de hartspier zelf te weerspiegelen.
Volgens de onderzoekers veranderen deze vetophopingen geleidelijk van structuur als reactie op stress in het cardiovasculaire systeem, waardoor patronen ontstaan die niet detecteerbaar zijn door standaard menselijke interpretatie van beeldvormingsresultaten. Het AI-systeem is ontworpen om deze subtiele variaties te identificeren en te vertalen naar een gekwantificeerde risicoschatting voor toekomstig hartfalen.
Het lezen van signalen die het menselijk oog niet kan zien.
CT-scans van het hart worden in de Britse National Health Service (NHS) veelvuldig gebruikt voor onderzoek naar pijn op de borst en de beoordeling van coronaire hartziekten. Jaarlijks worden honderdduizenden scans uitgevoerd. In de gebruikelijke klinische praktijk richten radiologen zich voornamelijk op arteriële blokkades en zichtbare afwijkingen, terwijl het omliggende vetweefsel slechts beperkte analytische aandacht krijgt.
Het Oxford-model hergebruikt deze vaak over het hoofd geziene datalaag door textuurkenmerken in het pericardiale vet te analyseren. Met behulp van machine learning-technieken, getraind op geanonimiseerde CT-gegevens van meer dan 59,000 NHS-patiënten, leerde het systeem specifieke beeldpatronen te associëren met de latere ontwikkeling van hartfalen gedurende langdurige follow-up.
Bij validatietests met 13,424 extra patiënten behaalde het model een nauwkeurigheid van 86% bij het voorspellen van het risico op hartfalen binnen vijf jaar. Personen in de hoogste risicogroep bleken ongeveer twintig keer meer kans te hebben om de aandoening te ontwikkelen dan personen in de laagste risicocategorie, met een geschatte kans van één op vier op het ontstaan ervan binnen vijf jaar.
Belangrijk is dat het systeem automatisch risicoscores genereert, zonder dat handmatige invoer van artsen nodig is. Dit maakt het een potentieel hulpmiddel voor besluitvorming, in plaats van een vervanging voor bestaande diagnostische processen.
Van hartscans tot CT-scans van de borstkas: een weg naar de NHS.
De bredere ambitie van het onderzoek is om de technologie uit te breiden tot buiten de specifiek voor het hart ontwikkelde beeldvormingstechnieken. Het team werkt momenteel aan de aanpassing van het model voor de analyse van standaard CT-scans van de borstkas, waaronder scans die worden gebruikt bij longkankerscreening en respiratoire diagnostiek. Gezien het aanzienlijk grotere aantal CT-scans van de borstkas in vergelijking met scans die specifiek voor het hart zijn ontwikkeld, zou een dergelijke aanpassing het bereik van het systeem aanzienlijk kunnen vergroten.
Klinisch gezien zijn de implicaties gekoppeld aan vroegtijdige interventie. Door patiënten met een hoog risico jaren voordat symptomen zich voordoen te identificeren, kunnen zorgverleners de monitoringstrategieën aanpassen, preventieve behandelingen eerder starten en middelen effectiever inzetten. Aangezien hartfalen in het Verenigd Koninkrijk al meer dan een miljoen mensen treft, is de potentiële impact op de vraag naar gezondheidszorg op de lange termijn aanzienlijk.
Er worden momenteel plannen gemaakt om wettelijke goedkeuring te verkrijgen voor integratie in de reguliere radiologieworkflows binnen de NHS. Indien goedgekeurd, zou het systeem op de achtergrond van standaard beeldvormingsprocedures werken en geautomatiseerde risicobeoordelingen uitvoeren zonder extra kosten of wijzigingen in de scanprotocollen.
Het onderzoek werd ondersteund door de British Heart Foundation en het National Institute for Health and Care Research Biomedical Research Centre in Oxford. Het weerspiegelt een bredere verschuiving in medische beeldvorming, waarbij kunstmatige intelligentie steeds vaker wordt gebruikt, niet alleen om bestaande ziekten op te sporen, maar ook om toekomstig risico af te leiden uit subtiele, voorheen onderbenutte biologische signalen die in routinematige scans verborgen zitten.
Disclaimer
In lijn met de Richtlijnen voor vertrouwensprojectenHoud er rekening mee dat de informatie op deze pagina niet bedoeld is en niet mag worden geïnterpreteerd als juridisch, fiscaal, beleggings-, financieel of enige andere vorm van advies. Het is belangrijk om alleen te beleggen wat u zich kunt veroorloven te verliezen en onafhankelijk financieel advies in te winnen als u twijfels heeft. Voor meer informatie raden wij u aan de algemene voorwaarden en de hulp- en ondersteuningspagina's van de uitgever of adverteerder te raadplegen. MetaversePost streeft naar nauwkeurige, onpartijdige berichtgeving, maar de marktomstandigheden kunnen zonder voorafgaande kennisgeving worden gewijzigd.
Over de auteur
Alisa, een toegewijd journalist bij de MPostis gespecialiseerd in crypto, AI, investeringen en het brede domein van Web3. Met een scherp oog voor opkomende trends en technologieën levert ze uitgebreide berichtgeving om lezers te informeren en te betrekken bij het steeds evoluerende landschap van digitale financiën.
Meer artikelen
Alisa, een toegewijd journalist bij de MPostis gespecialiseerd in crypto, AI, investeringen en het brede domein van Web3. Met een scherp oog voor opkomende trends en technologieën levert ze uitgebreide berichtgeving om lezers te informeren en te betrekken bij het steeds evoluerende landschap van digitale financiën.
