Development and Validation of a Machine Learning-Based Prediction Model for Atrial Fibrillation in Hospitalized Patients with Coronary Heart Disease and Diabetes Mellitus: A Retrospective Study

In het menselijk lichaam is het hart een onvermoeibare pomp, maar zoals elke complexe machine is het kwetsbaar voor slijtage, vooral wanneer andere systemen onder druk staan. Twee van de meest voorkomende aandoeningen die dit systeem belasten zijn coronaire hartziekte, waarbij de slagaders die de hartspier voeden vernauwd raken, en diabetes, een metabole stoornis die de manier waarop het lichaam suiker verwerkt, verstoort. Wanneer deze twee condities samen voorkomen, creëren ze een gevaarlijke synergie die het risico op een derde, vaak stille dreiging aanzienlijk verhoogt: atriumfibrillatie. Dit is een chaotische ritme waarbij de bovenste kamers van het hart trillen in plaats van gestaag te kloppen, een staat die kan leiden tot een beroerte of hartfalen. Voor artsen is de uitdaging lang geweest om te identificeren welke patiënten met zowel hartziekte als diabetes het meest waarschijnlijk dit onregelmatige ritme zullen ontwikkelen voordat het toeslaat, wat vroege interventie mogelijk maakt in plaats van een noodreactie.

Een team van onderzoekers van het Chongqing Emergency Medical Center zette zich schouder aan schouder om dit puzzelstuk op te lossen door terug te kijken in de medische dossiers van meer dan tweeduizend patiënten. Ze verzamelden gegevens van individuen die werden opgenomen in het ziekenhuis tussen 2017 en 2025 en die al leefden met zowel coronaire hartziekte als diabetes. De onderzoekers verdeelden deze patiënten in twee groepen: zij die tijdens hun verblijf atriumfibrillatie ontwikkelden en zij die dat niet deden. Door de twee groepen te vergelijken, zochten ze naar subtiele verschillen in bloedwaarden, hartmetingen en de medische geschiedenis van de patiënt die als waarschuwingssignalen zouden kunnen dienen. In plaats van te vertrouwen op één enkele test, gebruikten ze een geavanceerde computermethode die bekend staat als machine learning. Deze benadering stelt een computer in staat om door enorme hoeveelheden informatie te zeven om complexe patronen te vinden die het menselijk oog misschien mist, vergelijkbaar met hoe een ervaren monteur een specifieke rammeling in een motor kan horen die op een probleem wijst lang voordat de auto kapot gaat.

De studie analyseerde een breed scala aan gegevenspunten, van de grootte van de hartkamers tot de niveaus van specifieke eiwitten en mineralen in het bloed. Na het testen van verschillende computeralgoritmen ontdekten de onderzoekers dat één methode, een zogenaamd random forest-model, veel superieur was in het voorspellen van wie het onregelmatige ritme zou ontwikkelen. Dit model bereikte een hoog niveau van nauwkeurigheid en identificeerde het risico correct in het overgrote deel van de gevallen. De computer leerde dat de belangrijkste waarschuwingssignalen niet alleen de aanwezigheid van de hartziekte of diabetes zelf waren, maar een specifieke combinatie van factoren. Deze omvatten de leeftijd van de patiënt, de fysieke afmetingen van de bovenste kamers van het hart, en een mix van bloedmarkers gerelateerd aan ontsteking, voeding en elektrolytenbalans.

Specifiek identificeerde het model acht kernindicatoren die, wanneer samen bekeken, een duidelijk beeld van het risico schetsen. Oudere leeftijd en grotere afmetingen van de linker en rechter bovenste kamers van het hart waren sterke voorspellers, wat de fysieke belasting reflecteert die deze condities op de structuur van het orgaan leggen. De bloedwaarden van prealbumine, een eiwit dat de nutritionele status signaleert, waren ook cruciaal; lagere niveaus suggereerden een lichaam onder stress. Op dezelfde wijze bleek de balans tussen witte bloedcellen en albumine, een maatstaf voor hoeveel ontsteking aanwezig was in verhouding tot de reserves van het lichaam, een krachtig signaal. Andere factoren omvatten de niveaus van calcium en natrium in het bloed, die essentieel zijn voor de elektrische signalen van het hart, en een specifiek enzym genaamd HBDH, dat stress op de hartspier kan aangeven.

Om ervoor te zorgen dat dit computermodel niet slechts een 'black box' was die gokken maakte, gebruikten de onderzoekers een techniek om precies uit te leggen hoe het tot zijn conclusies kwam. Ze vonden dat het model deze acht factoren verschillend voor elke patiënt woog, waardoor een gepersonaliseerd risicoprofiel werd gecreëerd. Voor de één kon de grootte van de hartkamers de primaire drijfveer van het risico zijn, terwijl het voor een ander een combinatie van lage voeding en hoge ontsteking kon zijn. Dit vermogen om de voorspelling uiteen te leggen in begrijpelijke delen betekent dat artsen naar een specifieke patiënt kunnen kijken en precies zien welke factoren hen richting gevaar duwen. De studie suggereert dat clinici door het gebruik van deze tool hoog-risicopatiënten effectiever kunnen screenen, hen nauwer kunnen monitoren en potentieel eerder behandelingen kunnen starten om het ontstaan van atriumfibrillatie te voorkomen.

De onderzoekers merkten er zorgvuldig bij op dat hun bevindingen afkomstig waren van één enkel ziekenhuis en dat het model getest moet worden op patiënten in andere locaties om de betrouwbaarheid te bevestigen. Desalniettemin bieden de resultaten een veelbelovende nieuwe manier om naar een veelvoorkomend en gevaarlijk medisch probleem te kijken. Door routinematige bloedtesten en standaard hartscans te combineren met geavanceerde computeranalyse, demonstreert de studie dat het mogelijk is om de waarschuwingssignalen van atriumfibrillatie bij patiënten met hartziekte en diabetes te spotten lang voordat de conditie levensbedreigend wordt. Deze benadering beweegt de geneeskunde weg van een eenheidsbenadering naar een meer precieze, gepersonaliseerde strategie voor het in ritme houden van het hart.