Development and validation of an ECG-based 10-year risk prediction model for Major Adverse Cardiac and Cerebrovascular Events in UK Biobank

Deze studie toont aan dat ECG-afgeleide risicoscores, zowel op basis van traditionele parameters als kunstmatige intelligentie, onafhankelijk het 10-jarige risico op ernstige cardiovasculaire en cerebrovasculaire gebeurtenissen voorspellen, maar slechts een marginale verbetering bieden wanneer ze worden toegevoegd aan het bestaande QRISK3-risicomodel.

De kern

🫀 De Hartslag van de Toekomst: Een Nieuwe Proef voor Hartziekten

Stel je voor dat je hart een auto is. Meestal kijken artsen naar de "standaardgegevens" om te voorspellen of die auto ooit kapot gaat: hoe oud is hij? Hoeveel kilometers heeft hij gereden? Is de bestuurder een roker? Dit is wat artsen nu doen met de bekende QRISK3-formule. Die formule is goed, maar soms mislukt hij. Hij ziet niet altijd de kleine, verborgen gebreken in de motor die nog niet zichtbaar zijn.

De onderzoekers van deze studie dachten: "Wat als we de auto niet alleen op de standplaats laten staan, maar hem even een proefrit laten maken?"

🚴‍♂️ De Proefrit: Wat hebben ze gedaan?

In plaats van alleen naar een rustige foto van het hart te kijken (een rust-ECG), lieten ze 41.000 gezonde mensen (uit de UK Biobank) een fietsproef doen. Ze pedalden op een stationaire fiets, niet tot ze doodmoe waren, maar net genoeg om het hart een beetje te laten werken.

Tijdens deze rit maten ze het hart op drie momenten:

1. Voor de start (rust).
2. Tijdens het fietsen (inspanning).
3. Na het fietsen (herstel).

Ze gebruikten twee methoden om deze data te analyseren:

• De Oude Manier (C-ECG): Een arts kijkt naar specifieke lijnen en getallen op het scherm, zoals de lengte van de hartslag. Dit is als kijken naar de snelheidsmeter en de brandstofmeter.
• De Nieuwe AI-Methode (ECGAI): Een slim computerprogramma (kunstmatige intelligentie) dat de hele hartslag opneemt. Dit programma is als een superervaren monteur die niet alleen naar de meters kijkt, maar ook naar het geluid van de motor, de trillingen en de subtiele piepjes die een mens niet hoort.

🔍 Wat vonden ze? (De Resultaten)

1. Het hart vertelt meer dan we dachten
De studie toonde aan dat de hartslag tijdens de fietsproef zeker iets te zeggen heeft over de kans op een hartaanval of beroerte in de komende 10 jaar. Zelfs mensen die zich nu nog gezond voelen, hebben soms subtiele signalen in hun hartslag die een voorspelling kunnen doen.

2. De AI is slim, maar niet magisch
Het slimme computerprogramma (ECGAI) deed het iets beter dan de oude manier van kijken. Het kon betere voorspellingen doen dan alleen naar de leeftijd en het geslacht kijken.

3. De grote teleurstelling (maar wel een belangrijke les)
Toen de onderzoekers de nieuwe hartslag-data toevoegden aan de bestaande, bekende formule (QRISK3), gebeurde er iets verrassends: het werd niet veel beter.

• De analogie: Stel je voor dat je al een zeer nauwkeurige GPS hebt die je route voorspelt. Als je nu nog een extra, dure sensor toevoegt aan je auto, verbeter je de routevoorspelling misschien met 0,1%. Dat is technisch gezien een verbetering, maar in de praktijk maakt het voor de bestuurder (de arts) weinig verschil.

De nieuwe hartslag-data kon de mensen die een risico liepen, niet veel beter onderscheiden van de mensen die veilig waren, dan de oude formule al deed. Vooral bij vrouwen zag men een klein beetje meer winst, maar over het algemeen was de toegevoegde waarde beperkt.

💡 Wat betekent dit voor jou?

• Geen paniek: Dit betekent niet dat hartproeven nutteloos zijn. Ze zijn geweldig om bestaande ziektes te vinden.
• Geen nieuwe standaard: Voor gezonde mensen die geen klachten hebben, is het momenteel waarschijnlijk niet nodig om iedereen een fietsproef te laten doen om hun risico op een hartaanval te voorspellen. De oude, bekende vragenlijst (QRISK3) werkt nog steeds heel goed.
• De toekomst: De technologie (AI) is er wel. Misschien is het nu nog te vroeg, of misschien werkt het beter bij mensen die al een hoger risico hebben. Het is als een nieuwe, superkrachtige telescoop: hij ziet meer sterren, maar als je al weet waar je moet kijken, helpt hij niet altijd om je reis sneller te maken.

🏁 Conclusie in één zin

De onderzoekers hebben bewezen dat een slim computerprogramma tijdens een fietsproef interessante signalen kan vinden, maar dat het geen wondermiddel is om de huidige risicoberekeningen voor gezonde mensen drastisch te verbeteren. Voor nu blijft de eenvoudige vragenlijst de beste vriend van de arts.

Technische samenvatting

Technische Samenvatting: Ontwikkeling en validatie van een ECG-gebaseerd 10-jaar risicopredictiemodel voor MACCE in de UK Biobank

1. Het Probleem
De vroegtijdige identificatie van individuen met een hoog risico op cardiovasculaire ziekte (CVD) is cruciaal voor primaire preventie. Huidige risicopredictiemodellen, zoals QRISK3 in het VK, vertrouwen op traditionele risicofactoren (leeftijd, geslacht, bloeddruk, etc.) en hebben beperkte nauwkeurigheid en heterogeniteit tussen individuen. Hoewel rust-ECG's al lang worden gebruikt, is het onduidelijk of submaximale inspannings-ECG's (opgenomen tijdens en na inspanning) meer voorspellende waarde toevoegen voor langetermijnrisico's dan traditionele modellen. Bovendien zijn eerdere studies vaak beperkt door kleine steekproeven, korte follow-upperiodes en het gebrek aan integratie van geavanceerde kunstmatige intelligentie (AI) die subtiele patronen in ruwe ECG-gegevens kan detecteren die door conventionele methoden worden gemist.

2. Methodologie

• Populatie: De studie gebruikte data van 41.076 deelnemers uit de UK Biobank zonder voorgeschiedenis van Major Adverse Cardiac and Cerebrovascular Events (MACCE). Deelnemers ondergingen een submaximale fietsergometrie-test.
• Data: ECG-opnames werden gedaan in drie fasen: rust (15 sec), piekinspanning (laatste 15 sec van 6 min inspanning) en herstel (laatste 15 sec van 1 min).
• Modelontwikkeling:
  • C-ECG (Conventioneel): Een risicoscore gebaseerd op 12 traditionele ECG-parameters (morfologie en ritme, zoals PR, QRS, QTc intervallen, PVC's en entropie-maten) gemeten in de drie fasen.
  • ECGAI (Deep Learning): Een neurale netwerk-model (Deep Survival Network) dat ruwe ECG-signalen verwerkt. Het model gebruikt een aangepaste ResNet-V2 (50 lagen) met 1D-convoluties, gekoppeld aan een LSTM (Long Short-Term Memory) netwerk om een continue risicoscore te genereren voor de volledige 7-minuten-15-seconden opname.
• Outcome: Het primaire eindpunt was het 10-jaar risico op incidentele MACCE (hospitalisatie of overlijden door ischemische hartziekte, hartfalen of cerebrovasculaire ziekte).
• Validatie: De modellen werden intern gevalideerd met behulp van vijfvoudige kruisvalidatie en 1.000 bootstrap-iteraties. De prestaties werden vergeleken met een nieuw afgeleid Cox-klinisch risicoscore (herfitted QRISK3-factoren) en een "Age + Sex" model.
• Statistiek: Prestaties werden gemeten via Harrell's C-index (discriminatie), Net Benefit, en Net Reclassification Index (NRI) bij een klinische drempel van 10%.

3. Belangrijkste Bijdragen

• Grootste cohort: Dit is naar alle waarschijnlijkheid de grootste populatie-gebaseerde prospectieve studie die de toegevoegde waarde van submaximale inspannings-ECG's onderzoekt in combinatie met diepe leermodellen.
• Deep Survival Modellen: Toepassing van een diep-survival framework (DeepSurv) op ruwe inspannings-ECG-data om tijd-tot-evenement uitkomsten te modelleren, wat een innovatieve aanpak is voor dit type data.
• Vergelijking Fasen: Eerste studie die de voorspellende waarde van ECG-kenmerken onafhankelijk analyseert voor de fasen rust, inspanning en herstel, in plaats van alleen rust-ECG's.
• Klinische Context: De toegevoegde waarde wordt strikt getoetst tegen de huidige standaard in de UK eerstelijnszorg (QRISK3), wat direct relevant is voor klinische besluitvorming.

4. Resultaten

• Incidentie: Gedurende een mediaan van 12,5 jaar follow-up traden er 4.082 MACCE-gebeurtenissen op (9,9%).
• Onafhankelijke Associatie: Zowel de conventionele ECG-score (C-ECG) als de AI-score (ECGAI) waren onafhankelijk geassocieerd met MACCE.
  • C-ECG: HR 1,76 per SD-stijging.
  • ECGAI: HR 1,18 per SD-stijging.
• Voorspellende Prestatie (Zonder klinische factoren): ECGAI toonde een positieve voorspellende waarde, waarbij inspannings-ECG's de sterkste prestatie leverden (C-index 0,591). ECGAI presteerde beter dan individuele QRISK3-factoren (behalve leeftijd en systolische bloeddruk).
• Toegevoegde Waarde aan Klinische Modellen:
  • Wanneer ECGAI werd toegevoegd aan het Cox-klinische model (QRISK3-factoren), was de verbetering in discriminatie bescheiden (ΔC-index 0,03).
  • Er was geen significante verbetering in de categorische NRI of Net Benefit voor de totale populatie bij de 10%-drempel.
  • Subgroepanalyse: Er werd een significante verbetering in risicofractivering waargenomen bij vrouwen (NRI = 0,09 bij 10% drempel) en bij specifieke leeftijdsgroepen (jonge mannen <45 jaar en oudere vrouwen >55 jaar).
• Vergelijking Modellen: Het diepe neurale netwerk (Clinical DSN) presteerde beter dan het traditionele Cox-model (ΔC-index 0,032), maar de toevoeging van ECG-data aan dit diepe netwerk leverde slechts marginale extra winst op.

5. Betekenis en Conclusie

• Klinische Implicatie: Hoewel ECG-metingen tijdens rust, inspanning en herstel onafhankelijk geassocieerd zijn met het 10-jaar risico op MACCE, bieden ze minimale extra waarde voor de risicopredictie wanneer ze worden gecombineerd met bestaande klinische risicoscores (zoals QRISK3) in een algemene, laag-risico populatie.
• Beperkingen: De resultaten worden beïnvloed door de "healthy volunteer bias" van de UK Biobank (gezondere populatie dan de algemene bevolking) en de submaximale aard van de test (minder stress dan een maximale inspanningstest), wat mogelijk subtile pathologieën niet onthulde.
• Conclusie: De bevindingen ondersteunen de huidige richtlijnen (zoals die van de USPSTF) die afraden om routine inspannings-ECG's te gebruiken voor primaire preventie bij laag-risico individuen. De technologie is veelbelovend, maar de meerwaarde voor de algemene bevolking is beperkt. Verdere validatie is nodig in populaties met een hoger risico, waar de toegevoegde waarde van ECG-gebaseerde AI mogelijk groter is, met name bij vrouwen.