Volgens een recente publicatie in Circulation kunnen diepe neurale netwerken het begin van voorkamerfibrillatie (VKF) voorspellen op basis van een ECG met1 2 afleidingen en helpen bij het opsporen van personen met een risico op een VKF-gerelateerde beroerte.

Voorkamerfibrillatie is een veel voorkomende hartritmestoornis die gecorreleerd is met verschillende aandoeningen, zoals beroerte en hartfalen. Bij patiënten met VKF die risicofactoren voor trombo-embolie hebben, is vroegtijdige anticoagulatie doeltreffend om een ​​beroerte te voorkomen. Helaas wordt VKF meer dan eens niet herkend en onbehandeld omdat de ziekte vaak niet of weinig symptomatisch is, vandaar het potentiële nut van screeningsmethoden voor niet-opgespoorde VKF.

Bevolkingsonderzoek naar VKF is moeilijk om twee hoofdredenen: 1) de lage jaarlijkse incidentie van VKF in de algemene bevolking (< 10 per 1000 persoonsjaren < 70 jaar), 2) VKF is vaak paroxismaal, met veel episodes van < 24 uur. Vandaag is de meest gebruikelijke screeningstrategie opportunistische palpatie van de pols, soms gecombineerd met een ECG met 12 afleidingen tijdens routineconsultaties. Deze strategie is bij bepaalde bevolkingsgroepen winstgevend gebleken en wordt aanbevolen door verschillende wetenschappelijke verenigingen. Maar studies van implanteerbare hartdevices suggereren dat bij deze strategie veel gevallen van VKF gemist worden. 

Er zijn nu veel toestellen voor continue monitoring om paroxysmale en asymptomatische VKF op te sporen (‘patchmonitors’, implanteerbare recorders en draagbare monitoren zoals de Apple Watch13). Ze omzeilen het probleem van paroxysmale VKF, maar hebben nog steeds te maken met de algehele lage incidentie van nieuwe VKF, terwijl hun kosten en gebruiksvriendelijkheid het gebruik voor wijdverspreide screening beperken.

De auteurs van deze studie stellen dat een diep neuraal netwerk het optreden van VKF zou kunnen voorspellen op basis van een ECG met 12 afleidingen in rust en dat die ‘voorspelling’ zou kunnen helpen om personen op te sporen met VKF en een CVA-risico.  

Het team baseerde zich op 1,6 miljoen ECG's van 430.000 patiënten tussen 1984 en 2019. Diepe neurale netwerken werden vervolgens getraind om het begin van nieuwe VKF (binnen één jaar) te voorspellen bij patiënten zonder voorgeschiedenis van VKF.

In een gesimuleerd implementatiescenario voorspelde het model het begin van VKF op één jaar met een gevoeligheid van 69% en specificiteit van 81%. Dit model voorspelde patiënten met een hoog risico op VKF bij 62% van alle patiënten die een VKF-gerelateerde beroerte kregen binnen de drie jaar na het referentie-ECG.

De auteurs komen tot het niet verrassende besluit dat deep learning het optreden van VKF op basis van een ECG met 12 afleidingen bij patiënten zonder een voorgeschiedenis van VKF kan voorspellen. In hetzelfde nummer van Circulation van gaat het over een andere studie  die de mogelijkheid evalueert om  QT-verlengingen op te sporen met behulp van een smartphone die is uitgerust met elektroden en wordt aangestuurd door een speciaal algoritme. In een commentaar zegt dr. Michael Rosenberg erg onder de indruk te zijn van de resultaten, maar hij heeft wel een groot voorbehoud: “We hebben geen idee wat het model gebruikt om deze voorspellingen te doen. Het is inderdaad niet vanzelfsprekend dat we moeten accepteren dat deep learning-modellen ondoordringbare zwarte dozen zijn...  Voordat we deze Brave New World van kunstmatige intelligentie kunnen betreden, moeten we manieren vinden om de magie achter deze ongelooflijk precieze en doeltreffende voorspellingsalgoritmen te interpreteren, te begrijpen en erop te vertrouwen. Wat dat betreft staan ​​we nog aan het begin”, zo besluit hij.