HeartAgent: An Autonomous Agent System for Explainable Differential Diagnosis in Cardiology

HeartAgent is een autonoom agentensysteem dat gespecialiseerde sub-agenten en aangepaste hulpmiddelen integreert om betrouwbare, uitlegbare differentiaaldiagnoses voor hartziekten te ondersteunen, wat leidt tot aanzienlijke verbeteringen in diagnostische nauwkeurigheid en verklarende kwaliteit voor zowel AI-modellen als klinische experts.

De kern

🫀 HeartAgent: De "Super-Team" voor Hartdiagnoses

Stel je voor dat een arts die een patiënt met een pijn op de borst moet onderzoeken, eigenlijk als een detective werkt. Maar in plaats van één detective, hebben ze nu een heel detective-team gekregen dat hen helpt. Dat team heet HeartAgent.

Hartziekten zijn vaak ingewikkeld. Symptomen kunnen op veel verschillende dingen lijken (zoals een hartaanval, een longprobleem of zelfs maagzuur). Het is lastig om het juiste antwoord te vinden, en als je de verkeerde diagnose stelt, kan dat levensgevaarlijk zijn.

Tot nu toe waren slimme computerprogramma's (AI) voor artsen vaak als een eenzame detective die alleen maar gissen doet op basis van wat hij in zijn hoofd heeft. Soms had hij de juiste kennis niet, of kon hij niet goed uitleggen waarom hij dat dacht.

HeartAgent is anders. Het is geen enkele computer, maar een autonoom agentensysteem. Dat klinkt ingewikkeld, maar het werkt eigenlijk als een super-gezelschapsspel met vier gespecialiseerde spelers die samenwerken:

1. De Spelers in het Team

Stel je voor dat het team bestaat uit vier experts die om een tafel zitten:

• De Specialist (De Voorspeller): Deze speler kijkt naar alle gegevens (zoals het hartfilmpje en de bloedwaarden) en zegt: "Ik denk dat het dit of dat is." Hij doet de eerste schatting.
• De Generalist (De Onderzoeker): Deze speler is niet alleen hart-specialist. Hij kijkt ook naar dingen die niet met het hart te maken hebben. "Misschien is het wel een longprobleem of een zenuwstelsel-aandoening?" Hij zorgt dat ze niet iets belangrijks missen.
• De Reviewer (De Kwaliteitscontroleur): Deze speler is de strenge baas. Hij kijkt naar wat de eerste twee hebben gezegd en zegt: "Wacht even, dat klinkt niet helemaal logisch. Laten we nog een andere mogelijkheid toevoegen" of "Die diagnose is onwaarschijnlijk, haal die maar weg."
• De Bibliotheekbeheerder (De Referentie-checker): Dit is misschien wel de belangrijkste nieuwe speler. Waar andere AI's vaak "hallucineren" (dingen verzinnen die niet waar zijn), gaat deze speler direct naar de digitale bibliotheek. Hij zoekt in medische handboeken en richtlijnen om te bewijzen: "Kijk, hier staat in het boek dat dit symptoom bij deze ziekte hoort." Hij plakt de bron er direct bij.

2. Hoe werkt het in de praktijk?

Wanneer een arts een patiënt heeft, doet hij de gegevens in HeartAgent. Het team gaat dan als volgt te werk:

1. Verzamelen: Ze halen alle informatie op (hartfilmpjes, labresultaten).
2. Brainstormen: De specialist en de generalist gooien een lijst met mogelijke ziektes op tafel.
3. Verfijnen: De reviewer kijkt kritisch en haalt de onzin eruit.
4. Bewijzen: De bibliotheekbeheerder zoekt voor elke mogelijke ziekte een bewijsstukje in de echte medische boeken.
5. Het Resultaat: De arts krijgt niet alleen een lijstje met diagnoses, maar ook een uitleg met bronvermelding. Het is alsof de computer zegt: "Ik denk dat het X is, en hier is de pagina uit het handboek die dat bewijst."

3. Wat hebben ze ontdekt? (De Resultaten)

De onderzoekers hebben dit systeem getest op duizenden echte patiëntcases. De resultaten waren indrukwekkend:

• Slimmer dan alleen de computer: HeartAgent was veel beter in het vinden van de juiste diagnose dan eerdere AI-systemen. Het verbeterde de nauwkeurigheid met meer dan 36%.
• Beter dan alleen de arts: Toen artsen alleen werkten, maakten ze fouten. Maar toen ze met HeartAgent werkten, werden ze 27% beter in het vinden van de juiste diagnose.
• Geen "zwarte doos": Oude AI's gaven alleen een antwoord. HeartAgent gaf een antwoord met uitleg. Artsen vertrouwden het systeem daarom veel meer, omdat ze konden zien waarom het systeem tot die conclusie kwam.

4. Waarom is dit zo belangrijk?

Vroeger was AI voor artsen als een wiskundige die een raadsel oplost maar niet wil vertellen hoe. Je moest het antwoord maar geloven.

HeartAgent is als een collega die naast je staat, die zegt: "Ik heb dit gevonden, maar ik heb het ook gecontroleerd in de boeken, en hier is de pagina." Het maakt de diagnose niet alleen nauwkeuriger, maar ook verantwoordelijk.

Conclusie

HeartAgent is geen robot die de arts vervangt. Het is een super-assistent die zorgt dat artsen minder fouten maken, sneller de juiste diagnose stellen en kunnen vertrouwen op de uitleg die ze krijgen. Het combineert de rekenkracht van computers met de menselijke wijsheid van artsen, ondersteund door een team van digitale experts die nooit vergeten om hun bronnen te checken.

Kortom: Het is een veiliger, slimmer en transparanter manier om hartziektes te diagnosticeren.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "HeartAgent: An Autonomous Agent System for Explainable Differential Diagnosis in Cardiology", vertaald en samengevat in het Nederlands.

Probleemstelling

Hart- en vaatziekten zijn wereldwijd een leidende oorzaak van morbiditeit en mortaliteit. De differentiële diagnose in de cardiologie is een complex proces waarbij artsen meerdere waarschijnlijke ziekteoorzaken moeten identificeren en prioriteren op basis van heterogene klinische data (zoals medische notities, ECG's en beeldvorming). Bestaande kunstmatige intelligentie (AI)-systemen voor deze taak kampen met drie belangrijke beperkingen:

1. Onvoldoende cardiologische kennis: Veel modellen zijn niet specifiek op cardiologie toegespitst en missen diepgaande kennis van richtlijnen.
2. Gebrek aan complexe redeneerprocessen: Ze kunnen vaak geen subtiele verschillen tussen klinisch vergelijkbare aandoeningen redeneren.
3. Slechte interpreteerbaarheid: Veel modellen fungeren als "black boxes", wat het vertrouwen van clinicians ondermijnt en de adoptie in de klinische praktijk belemmert.

Er is een dringende behoefte aan betrouwbare, uitlegbare AI-systemen die artsen kunnen ondersteunen bij het verminderen van diagnostische onzekerheid.

Methodologie: HeartAgent

HeartAgent is een autonoom agent-systeem dat specifiek is ontworpen voor differentiële diagnose in de cardiologie. Het systeem gebruikt een multi-agent architectuur die grote taalmodellen (LLM's) combineert met aangepaste tools en gestructureerde kennisbronnen.

1. Architectuur en Agents:
Het systeem bestaat uit vier samenwerkende agents die een gestructureerd diagnostisch proces nabootsen:

• Specialist Predictor Agent: Genereert initiële diagnostische hypothesen op basis van verwerkte klinische data en voert zelfverificatie uit.
• Generalist Examiner Agent: Brengt differentiële diagnoses vanuit niet-cardiologische specialismen in (bijv. longembolie bij pijn op de borst) om misdiagnoses te voorkomen.
• Specialist Reviewer Agent: Evalueert en verfijnt de initiële voorspellingen door aanvullende plausibele cardiologische diagnoses en onderbouwing toe te voegen.
• Reference Verification Agent: Haalt literatuur en bewijsmateriaal op om de gegenereerde redeneringen te verifiëren.

2. Tools en Data Resources:
HeartAgent is uitgerust met dynamisch oproepbare tools:

• Modality-specific analyzers: Voor het interpreteren van ECG's (via NeuroKit2), echocardiografie, röntgenfoto's en CT-scans (via Vision-Language Modellen).
• Risicocalculators: Berekenen risicoscores op basis van patiëntdata.
• Kennisretrievers: Toegang tot gestructureerde databases, medische handboeken, richtlijnen en webbronnen (Wikipedia, PubMed).
• Case Searcher: Zoekt naar vergelijkbare patiëntcases in een curatie repository voor empirische ondersteuning.

3. Workflow:
Het proces omvat het verwerken van multimodale input, het genereren van hypothesen door de predictor, het uitbreiden en verfijnen door de examiner en reviewer, zelfverificatie om onwaarschijnlijke diagnoses te filteren, en ten slotte het ophalen en verifiëren van referenties om de uitleg te onderbouwen.

Belangrijkste Bijdragen

1. Specifiek Cardiologie-Platform: Integratie van gecurateerde cardiologische kennisbronnen en een multi-agent architectuur die complexe redenering en transparante trajecten mogelijk maakt.
2. Uitgebreide Evaluatie: Prestaties zijn getest op drie real-world datasets: MIMIC-IV (ICU-data), een privédataset van de University of Minnesota (UMN), en het NEJM "Case Challenge" (publieke casussen).
3. Mens-AI Samenwerking: Een studie waarin cardiologen werden ondersteund door HeartAgent, wat leidde tot significante verbeteringen in diagnostische nauwkeurigheid en uitlegkwaliteit.

Resultaten

HeartAgent presteerde consistent beter dan bestaande methoden (zoals Chain-of-Thought baselines en andere AI-modellen) en commerciële LLM's (zoals GPT-5, Claude, DeepSeek-R1).

• Diagnostische Nauwkeurigheid:

  • Op de MIMIC-dataset verbeterde HeartAgent de top-3 nauwkeurigheid met meer dan 36% ten opzichte van de beste baselines.
  • Op de UMN-dataset was de verbetering meer dan 20%.
  • Op de NEJM-dataset werd een gemiddelde verbetering van 29% bereikt.
  • Zelfs met kleinere open-source modellen (bijv. MedGemma-27B) overtrof HeartAgent grote commerciële modellen.

• Kwaliteit van Uitleg (Explainability):

  • HeartAgent boekte verbeteringen van 37-46% in de kwaliteit van de diagnostische uitleg op de MIMIC-dataset.
  • Factuality: 86% van de gegenereerde uitleg scoorde hoger dan 4 op een 5-puntsschaal voor feitelijke juistheid, vergeleken met 56% voor concurrenten.
  • Referentie Verificatie: Het systeem behaalde een precisie van 92% en een recall van 80% bij het vinden van ondersteunende literatuur voor de diagnose.

• Mens-AI Collaboratie:

  • Cardiologen die werden bijgestaan door HeartAgent presteerden 26,9% beter in diagnostische nauwkeurigheid en 22,7% beter in uitlegkwaliteit dan artsen zonder hulp.
  • Het systeem hielp artsen om de meest waarschijnlijke diagnose te identificeren en kritieke diagnoses niet te missen.

Betekenis en Conclusie

HeartAgent vertegenwoordigt een doorbraak in de toepassing van AI in de cardiologie door de kloof tussen geavanceerde redeneermodellen en de strenge eisen van de klinische praktijk te overbruggen.

• Betrouwbaarheid: Door het gebruik van externe, geautoriseerde kennisbronnen en referentie-verificatie reduceert het systeem hallucinaties en verhoogt het het vertrouwen van clinicians.
• Transparantie: Het biedt niet alleen een diagnose, maar ook een traceerbaar redeneertraject en bewijsmateriaal, wat essentieel is voor verantwoorde medische besluitvorming.
• Schaalbaarheid: Het systeem werkt effectief met zowel open-source als commerciële LLM's en kan worden ingezet in verschillende zorgsettings (van IC tot eerstelijnszorg).

De studie concludeert dat HeartAgent een betrouwbaar, uitlegbaar en klinisch toepasbaar beslissingssteunsysteem biedt dat de kwaliteit van de zorg voor hart- en vaatziekten kan verbeteren door artsen te ondersteunen bij complexe differentiële diagnoses.