Terug

Hoe ontwikkel je een draagbare sensor met AI die hartaandoeningen herkent – en voorspelt?
Pieter de Meer

27 december 2023

Hoe ontwikkel je een draagbare sensor met AI die hartaandoeningen herkent – en voorspelt?

Als er iets misgaat in je lichaam, merk je dat vaak meteen. Maar wat gebeurt er als je dat niet merkt? Elk jaar overlijden er bijna 18 miljoen mensen aan hart- en vaatziekten – meer dan aan andere ziektes. En 's werelds meest voorkomende hartritmestoornis – atriumfibrilleren, dat ook wel boezemfibrilleren wordt genoemd – verhoogt het risico op een beroerte, dementie en hartfalen aanzienlijk. Atriumfibrilleren is lastig op te sporen omdat er vaak geen waarschuwingssignalen zijn. Om atriumfibrilleren bij meer patiënten te diagnosticeren, ontwikkelde Philips een gebruiksvriendelijke draagbare sensor (ePatch) die wordt gekoppeld aan het AI-analyse platform (Cardiologs) de arbeidsintensieve diagnoses te verbeteren en te vergemakkelijken.

Meer dan de vervanging van de traditionele monitoring

Het tijdig opsporen van atriumfibrilleren kan enorme voordelen hebben voor zowel patiënten als voor ons zorgstelsel. Het stelsel en cardiologie-afdeling staan onder druk. De kosten moeten verlaagd worden en tegelijkertijd moeten meer patiënten behandeld worden die hogere verwachtingen hebben. Daarnaast is er sprake van personeelstekort en hoge mate van burn-out in de zorg.

De draagbare sensor van Philips ondersteund door AI vervangt conventionele Holter-monitorapparaten, die voor patiënten onhandig zijn om te dragen, arbeidsintensief zijn om aan te brengen en alleen elektrocardiogramgegevens (ECG's) leveren van maximaal 48 uur. Terwijl een traditionele Holtermonitor aan een riem of ketting wordt gedragen en de hartslag van de patiënt registreert via maximaal twaalf elektroden, wordt de kleine sensor van Philips in slechts enkele seconden op de borst geplakt en kunnen patiënten tot twee weken lang gevolgd worden terwijl ze hun normale leven leiden. Het apparaat meet ECG's via kleine elektroden die in de patch zijn ingebouwd om minuscule onregelmatigheden in het hartritme te registreren, waarvan er veel te klein zijn voor het menselijk oog om op te merken in een ECG.

Een nieuwe benadering voor het ontwikkelen van algoritmen voor cardiologie

Het gebruik van algoritmen om atriumfibrilleren te herkennen is niet nieuw. Maar de aanpak van Philips is dat wel. Tientallen jaren bestudeerden analisten Holteropnames met behulp van traditionele algoritmen, waarbij ze vertrouwden op een beperkt aantal regels die met de hand waren gemaakt door developers. De code markeerde gebieden op het Holtersignaal die de analist moest bekijken om een hartziekte te diagnosticeren of uit te sluiten.

De uitdaging hierbij is dat deze op regels gebaseerde algoritmes niet leren van data, dat ze moeilijk te onderhouden zijn en bij te werken zijn met nieuwe gevallen. En omdat de code zeer gevoelig moet zijn om zoveel mogelijk abnormale gevallen te identificeren, verhoogt dit ook het risico op false positives. Dit resulteert vervolgens weer in meer werk voor artsen, analisten en verpleegkundigen die het al druk hebben en veroorzaakt ook onnodig ongerustheid bij patiënten. 

Het Cardiologs-team koos voor een nieuwe benadering, waarbij neurale netwerken worden gebruikt om AI te trainen met patiëntgegevens, zodat de AI op een vergelijkbare manier leert als de neurale netwerken in onze hersenen. Aanvankelijk werkte Cardiologs samen met ziekenhuizen en gebruikte het big data om de algoritmen te trainen. Hoe meer klanten zich aanmeldden, des te beter de AI werd. Op dit moment heeft het Cardiologs-platform geleerd van de gegevens van 15 miljoen patiënten van over de hele wereld.


Toen de leden van het team begon met het bouwen van de modellen, leerden ze van artsen en analisten hoe ze ECG's moesten lezen en keken ze over hun schouder mee terwijl ze het AI-platform gebruikten. Als analisten het platform gebruiken om de AI-interpretatie te corrigeren, wordt elke correctie opgeslagen in de database, waardoor het Cardiologs-team de gegevens eruit kan halen en het algoritme opnieuw kan trainen. ‘We hebben het aantal false-positives met een factor 10 verminderd in vergelijking met traditionele software,’ zegt Thibaut Barroyer, die het team van datascientists leidt dat aan de Holter-algoritmen werkt.

Om het platform nog verder te verbeteren, gebruikt het team nu deep learning-modellen om gevallen in hun database te vinden. "In wezen automatiseren we het maken van nieuwe algoritmen", legt Thibaut uit. De datawetenschappers ontwikkelen niet alleen nieuwe oplossingen, maar zijn ook verantwoordelijk voor de implementatie en het onderhoud van het algoritme.

Casus Martini Ziekenhuis

Door patiënten langer te kunnen volgen, helpt de ePatch atriumfibrilleren op te sporen bij patiënten waarbij traditionele holters atriumfibrilleren niet konden detecteren. Neem het geval van een 56-jarige patiënt bij het Martini Ziekenhuis in Groningen. Toen zijn moeder hem op een zondag opbelde, merkte ze dat hij sliste. Het bleek dat hij een kleine beroerte had gehad. En hoewel hij in eerste instantie werd gecontroleerd met een Holter, vonden analisten niets dat zijn beroerte kon verklaren. Maar toen hij de ePatch kreeg, detecteerde deze zijn atriumfibrilleren op dag vijf, wat maar een paar seconden gebeurde toen hij sliep. Hij volgt nu een gepersonaliseerde behandeling om een nieuwe beroerte te helpen voorkomen.

 

De volgende stap: atriumfibrileren voorspellen

Maar wat als we zouden kunnen voorkomen dat mensen atriumfibrilleren ontwikkelen? Dat is de vraag waar Philips en het Cardiologs-team zich nu mee bezighouden, door de AI een stap verder te brengen zodat deze het risico op korte termijn kan identificeren dat een patiënt atriumfibrilleren ontwikkelt, zelfs als dit nog nooit eerder bij hem is vastgesteld.

 

In de eerste studie in zijn soort [1] trainde het team neurale netwerken met alleen de data van de eerste 24 uur dat de ePatch werd gedragen om het risico te voorspellen dat atriumfibrilleren binnen 15 dagen zou kunnen optreden. Om dit te kunnen doen, identificeerden ze een set ePatch-opnames met een duur van 7-15 dagen waarin geen atriumfibrilleren werd gevonden tijdens de eerste 24 uur. Vervolgens trainden ze een neuraal netwerk om de aan- of afwezigheid van atriumfibrilleren in de volgende 15 dagen te voorspellen, waarbij ze alleen gebruikmaakten van de gegevens van de eerste 24 uur van de opname. Vervolgens controleerden ze het neurale netwerk op een testdataset en een externe dataset die niet was gebruikt tijdens de ontwikkeling van het algoritme.

In de testdataset vonden ze van de 9993 opnames zonder atriumfibrilleren op dag één 361 (4%) opnames met atriumfibrilleren binnen de 15 daaropvolgende dagen (5808, 218 (4%), in de externe dataset). Het neurale netwerk was in staat om toekomstig atriumfibrilleren te herkennen met een gebied onder de receiver operating curve (de standaard die wordt gebruikt om de nauwkeurigheid van diagnostische tests te meten) en een gevoeligheid en specificiteit van respectievelijk 79,4%, 76% en 69% (of 75,8%, 78% en 58% in de externe set). Dit was beter dan ECG-kenmerken waarvan eerder was aangetoond dat ze atriumfibrilleren konden voorspellen.

vHet team denkt dat in de toekomst het gebruik van voorspellende AI een meer gerichte screeningstrategie mogelijk kan maken die individuen identificeert die baat zouden kunnen hebben bij langdurige ECG-monitoring. Maar de industrie staat nog steeds voor een aantal barrières.

Regulering van AI

Zoals bij veel AI-toepassingen in de gezondheidszorg is het een blijvende uitdaging om een balans te vinden tussen wettelijke vereisten en de mogelijkheid om meer patiënten toegang te geven tot innovatieve gezondheidszorg. ‘Dit is een periode van intensieve controle op AI,’ zegt Thibaut. En het kan veel tijd en energie kosten om AI goedgekeurd te krijgen voor klinisch gebruik. Een van de uitdagingen kan bijvoorbeeld zijn om toegang te krijgen tot demografische gegevens voor een subpopulatieanalyse - om de diversiteit in je datasets te waarborgen. Deze gegevens worden beschermd door de GDPR-regelgeving, maar zijn ook vereist door regelgevende instanties in de gezondheidszorg bij elke aanvraag voor goedkeuring.

Thibaut erkent het belang van strikte regelgeving, maar vindt ook een meer vereenvoudigde benadering van de toegang tot persoonlijke gegevens belangrijk wanneer deze het doel dienen om andere patiënten te helpen. ‘Per slot van rekening zijn de beperkingen van de diagnose van atriumfibrilleren niet hoeveel patiënten kunnen worden gemonitord met de sensor, maar hoeveel tijd analisten hebben om de resultaten te analyseren. Hoe meer we hen dus kunnen helpen, des te meer levens er verbeterd of zelfs gered kunnen worden.’

 

Nieuwe versies van de ePatch

Wat is de volgende stap voor de ePatch? Het Cardiologs-team werkt aan de ontwikkeling van AI om nieuwe biomarkers te herkennen die mogelijk bredere medische toepassingen mogelijk maken. En omdat elke nieuwe generatie AI een nieuwe generatie hardware vereist, werkt het onderzoeksteam ook aan een nieuwe versie van de sensor en plakker.

Het doel is om een nog patiëntvriendelijkere sensor en plakker te maken, evenals nieuwe detectiefuncties. Op dit moment moeten patiënten in Europa de sensor terugsturen om de gegevens te laten analyseren. Maar binnenkort kan de AI-oplossing verbonden worden aan de sensor – een dienst die al beschikbaar is in de Verenigde Staten – waardoor het hart van de patiënt bijna in realtime kan worden geanalyseerd. ‘Het doel is om een oplossing te ontwikkelen die een volledig beeld geeft van de toestand van de patiënt,’ zegt Harry Berghuis, hoofd R&D voor Ambulatory Monitoring and Diagnostics bij Philips.

Naast de ePatch wil het AI-team hun kernalgoritmen ook toepassen op andere aandoeningen op het gebied van cardiologie, waaronder voor patiënten die worden onderzocht door echografieapparatuur en beeldgestuurde therapiesystemen. Dit zodat uiteindelijk meer ziekenhuizen meer patiënten sneller en efficiënter kunnen behandelen en meer patiënten weer het leven kunnen leiden waar ze van houden.

[1] Singh, J. P. et al. Short-term prediction of atrial fibrillation from ambulatory monitoring ECG using a deep neural network. European Heart Journal – Digital Health 3, 208-217 (2022).

Toon alle referenties

Auteur