Gekenmerkt door verzwakte of beschadigde hartspieren, resulteert hartfalen in de geleidelijke ophoping van vocht in de longen, benen, voeten en andere delen van het lichaam van een patiënt. De aandoening is chronisch en ongeneeslijk en leidt vaak tot hartritmestoornissen of plotselinge hartstilstand. Eeuwenlang waren aderlaten en bloedzuigers de voorkeursbehandeling, beroemd beoefend door kapperschirurgen in Europa, in een tijd waarin artsen zelden patiënten opereerden.
In de 21e eeuw is de behandeling van hartfalen beslist minder middeleeuws geworden: tegenwoordig ondergaan patiënten een combinatie van gezonde levensstijlveranderingen, het voorschrijven van medicijnen en soms gebruiken ze pacemakers. Toch blijft hartfalen een van de belangrijkste oorzaken van morbiditeit en mortaliteit, waardoor gezondheidszorgsystemen over de hele wereld zwaar onder druk komen te staan.
“Ongeveer de helft van de mensen bij wie hartfalen wordt vastgesteld, sterft binnen vijf jaar na de diagnose”, zegt Teya Bergamaschi, een MIT-promovendus in het laboratorium van Nina T. en Robert H. Rubin, professor Collin Stultz en de co-eerste auteur van een nieuw artikel waarin een diepgaand leermodel wordt geïntroduceerd voor het voorspellen van hartfalen. “Begrijpen hoe het met een patiënt zal gaan na een ziekenhuisopname is van groot belang bij het toewijzen van eindige middelen.”
Het artikel, gepubliceerd in Lancet eKlinische geneeskunde door een team van onderzoekers van MIT, Mass General Brigham en Harvard Medical School, deelt de resultaten van het ontwikkelen en testen van PULSE-HF, wat losjes staat voor “Voorspel veranderingen in de linkerventrikel-systolische functie op basis van ECG’s van patiënten met hartfalen.” Het project werd uitgevoerd in het laboratorium van Stultz, dat is aangesloten bij de MIT Abdul Latif Jameel Clinic for Machine Learning in Health. Het deep learning-model is ontwikkeld en retrospectief getest in drie verschillende patiëntencohorten van het Massachusetts General Hospital, Brigham and Women’s Hospital en MIMIC-IV (een openbaar beschikbare dataset) en voorspelt nauwkeurig veranderingen in de linkerventrikelejectiefractie (LVEF), het percentage bloed dat uit de linkerventrikel van het hart wordt gepompt.
Een gezond menselijk hart pompt bij elke hartslag ongeveer 50 tot 70 procent van het bloed uit de linker hartkamer. Alles minder wordt beschouwd als een teken van een potentieel probleem. “Het model neemt een (elektrocardiogram) en geeft een voorspelling of er binnen het komende jaar wel of niet een ejectiefractie zal zijn die onder de 40 procent zal vallen”, zegt Tiffany Yau, een MIT-promovendus in het laboratorium van Stultz en tevens mede-eerste auteur van het PULSE-HF-artikel. “Dat is de ernstigste subgroep van hartfalen.”
Als PULSE-HF voorspelt dat de ejectiefractie van een patiënt waarschijnlijk binnen een jaar zal verslechteren, kan de arts de patiënt voorrang geven voor follow-up. Vervolgens kunnen patiënten met een lager risico het aantal ziekenhuisbezoeken verminderen en de tijd besteden aan het aanbrengen van 10 elektroden op hun lichaam voor een ECG met 12 afleidingen. Het model kan ook worden ingezet in klinische omgevingen met weinig middelen, waaronder artsenpraktijken in plattelandsgebieden waar doorgaans geen hartsonograaf wordt ingezet om dagelijks echografieën uit te voeren.
“Het grootste ding dat (PULSE-HF) onderscheidt van andere ECG-methoden voor hartfalen is dat het in plaats van detectie voorspellingen doet”, zegt Yau. Het artikel merkt op dat er tot op heden geen andere methoden bestaan om de toekomstige LVEF-afname bij patiënten met hartfalen te voorspellen.
Tijdens het test- en validatieproces gebruikten de onderzoekers een metriek die bekend staat als “area under the receiver operating karakteristieke curve” (AUROC) om de prestaties van PULSE-HF te meten. AUROC wordt doorgaans gebruikt om het vermogen van een model te meten om onderscheid te maken tussen klassen op een schaal van 0 tot 1, waarbij 0,5 willekeurig is en 1 perfect. PULSE-HF bereikte AUROC’s variërend van 0,87 tot 0,91 in alle drie de patiëntencohorten.
De onderzoekers hebben met name ook een versie van PULSE-HF gebouwd voor ECG’s met één afleiding, wat betekent dat er slechts één elektrode op het lichaam hoeft te worden geplaatst. Hoewel ECG’s met 12 afleidingen over het algemeen als superieur worden beschouwd omdat ze uitgebreider en nauwkeuriger zijn, waren de prestaties van de PULSE-HF-versie met één afleiding net zo sterk als de versie met 12 afleidingen.
Ondanks de elegante eenvoud achter het idee van PULSE-HF schuilt, zoals bij het meeste klinische AI-onderzoek, een moeizame uitvoering. “Het heeft jaren geduurd (om dit project te voltooien)”, herinnert Bergamaschi zich. “Het heeft vele iteraties ondergaan.”
Een van de grootste uitdagingen van het team was het verzamelen, verwerken en opschonen van de ECG- en echocardiogramgegevenssets. Hoewel het model tot doel heeft de ejectiefractie van een patiënt te voorspellen, waren de labels voor de trainingsgegevens niet altijd direct beschikbaar. Net zoals een leerling leert uit een leerboek met een antwoordsleutel, is labeling van cruciaal belang om modellen voor machinaal leren te helpen patronen in gegevens correct te identificeren.
Schone, lineaire tekst in de vorm van TXT-bestanden werkt doorgaans het beste bij het trainen van modellen. Maar echocardiogrambestanden hebben meestal de vorm van PDF’s, en wanneer PDF’s worden geconverteerd naar TXT-bestanden, wordt de tekst (die wordt opgesplitst door regeleinden en opmaak) moeilijk leesbaar voor het model. De onvoorspelbare aard van scenario’s uit het echte leven, zoals een rusteloze patiënt of een losse draad, ontsierde ook de gegevens. “Er zijn veel signaalartefacten die moeten worden schoongemaakt”, zegt Bergamaschi. “Het is een soort oneindig konijnenhol.”
Hoewel Bergamaschi en Yau erkennen dat ingewikkeldere methoden kunnen helpen de gegevens te filteren op betere signalen, is er een grens aan het nut van deze benaderingen. “Op welk punt stop je?” vraagt Yau. “Je moet nadenken over de use case: is het het gemakkelijkst om dit model te hebben dat werkt op gegevens die enigszins rommelig zijn? Omdat dat waarschijnlijk zo zal zijn.”
De onderzoekers verwachten dat de volgende stap voor PULSE-HF het testen van het model zal zijn in een prospectieve studie bij echte patiënten, van wie de toekomstige ejectiefractie onbekend is.
Ondanks de uitdagingen die inherent zijn aan het over de finish brengen van klinische AI-tools zoals PULSE-HF, inclusief het mogelijke risico van het verlengen van een doctoraat met nog een jaar, zijn de studenten van mening dat de jaren van hard werken de moeite waard zijn geweest.
“Ik denk dat dingen deels de moeite waard zijn omdat ze uitdagend zijn”, zegt Bergamaschi. “Een vriend zei tegen mij: ‘Als je denkt dat je je roeping zult vinden na je afstuderen, als je roeping echt roept, dan zal die er zijn in het extra jaar dat je nodig hebt om af te studeren.’ … De manier waarop we worden gemeten als onderzoekers in de (ML- en gezondheids-) ruimte is anders dan die van andere onderzoekers in de ML-ruimte. Iedereen in deze gemeenschap begrijpt de unieke uitdagingen die hier bestaan.”
“Er is te veel lijden in de wereld”, zegt Yau, die zich bij het laboratorium van Stultz voegde nadat een gezondheidsevenement haar het belang van machinaal leren in de gezondheidszorg had doen beseffen. “Alles wat het lijden probeert te verzachten, beschouw ik als een waardevolle tijdsbesteding.”
