West Virginia University (WVU) staat aan de voorhoede van een veelbelovende ontwikkeling: onderzoekers hebben kunstmatige intelligentie getraind om hartfalen te herkennen bij patiënten in landelijke gebieden van Appalachia. Zij gebruiken hiervoor gegevens afkomstig van relatief eenvoudige apparatuur, frequent beschikbaar in kleine lokale klinieken. Deze aanpak kan grote impact hebben op gemeenschappen die tot nu toe kwetsbaar bleven in geavanceerde medische toepassingen.
|
WVU Today | WVU researchers train AI to diagnose heart failure in rural patients using low-tech electrocardiogramsConcerned about the ability of artificial intelligence models trained on data from urban demographics to make the right medical diagnoses for rural populations, West Virginia University computer scientists have developed several AI models that can identify signs of heart failure in patients from Appalachia. |
Waarom deze aanpak zó belangrijk is
Hartfalen is een wereldwijd en groeiend probleem, maar treft plattelandsregio’s zoals Appalachia extra hard. Veel AI‑modellen voor diagnose zijn getraind met gegevens van stedelijke patiënten—die verschillen op vlak van leefstijl, omgevingsfactoren en zorgtoegang. Hierdoor lopen modellen het risico verkeerde conclusies te trekken voor inwoners van West‑Virginia, waar het risico op hart- en vaatziekten hoog is en preventieve zorg schaars.
|
WVU trains AI to diagnose heart failure in rural patients of Appalachia
|
Prashnna Gyawali van WVU schetst het voorbeeld van “Jane Doe,” een fictieve 62-jarige vrouw uit Appalachia. Ze ervaart symptomen zoals vermoeidheid en kortademigheid, maar komt mogelijk niet adequaat in beeld bij een algoritme dat enkel op stedelijke patiëntgegevens is getraind. Daarom is het cruciaal dat AI-systemen afgestemd zijn op de lokale realiteit.
Methode: Van ECG naar ejection fraction
Het onderzoeksteam gebruikte gegevens van ruim 55.000 geanonimiseerde patiënten uit 28 ziekenhuizen in West‑Virginia. Ze trainden zowel deep‑learning‑modellen (zoals ResNet) als gangbaardere algoritmes op elektrocardiogrammen (ECG’s), in plaats van op de duurdere echocardiografie. Deze keuze komt door de brede beschikbaarheid en lage kostprijs van ECG’s, zelfs in afgelegen klinieken.
Alina Devkota legt uit dat de ejection fraction—de hoeveelheid bloed die het hart per slag uitpompt—vaak via echocardiografie wordt gemeten, maar dat deze techniek duur is en niet altijd beschikbaar. ECG’s bieden een toegankelijk alternatief, mits getransformeerd door AI-modellen.
Resultaten en vooruitzicht
Het deep‑learning‑model ResNet presteerde het best in het schatten van de ejection fraction op basis van 12‑lead ECG‑gegevens. Daarbij bleek dat de keuze van specifieke “leads” invloed had op de nauwkeurigheid van de diagnostiek. De onderzoekers suggereren dat met een uitgebreider dataset de prestaties nog verder kunnen verbeteren.
Hoewel de systemen nog niet klinisch worden ingezet vanwege betrouwbaarheidsoverwegingen, ziet het team een sterk toekomstpotentieel. Een betrouwbare ejection fraction-analyse via AI kan artsen op het platteland een waardevol instrument bieden om de hartgezondheid van patiënten sneller en accurater in te schatten.
Met meer dan zes miljoen Amerikanen die momenteel aan hartfalen lijden en één op vier in de loop van hun leven getroffen kan worden, is het een urgente uitdaging—en bijzonder acuut in landelijke Appalachia. WVU’s onderzoek belooft een meer rechtvaardige benadering van diagnostiek, waarbij zorg toegankelijk én relevant wordt voor iedereen, ongeacht locatie.
