Evaluating Diagnostic Accuracy of an On-Site Deep Learning-Based CT-FFR Algorithm Using Invasive FFR as the Reference Standard

Decennialang hebben artsen vertrouwd op twee hoofdwijzen om te controleren of een hartslagader geblokkeerd is. De eerste methode is een CT-scan, die een gedetailleerde afbeelding maakt van de doorbloeding van het hart. Het is uitstekend in het tonen waar de vaten nauwer zijn, maar het kan niet altijd aangeven of die vernauwing de bloedstroom voldoende belemmert om problemen te veroorzaken. De tweede methode is een invasieve procedure waarbij een dunne draad door de slagader wordt gevoerd om de druk direct te meten. Dit vertelt de waarheid over de bloedstroom, maar het vereist een ziekenhuisbezoek, een naald en een herstelperiode. Jarenlang was het doel om deze kloof te overbruggen: om de precieze drukgegevens direct uit de CT-scan zelf te halen, zonder de noodzaak van de invasieve draad. Dit zou artsen in staat stellen om levensveranderende beslissingen over de behandeling te nemen terwijl de patiënt nog in de radiologieafdeling is.

Een team onderzoekers van AZ Sint-Jan Brugge in België heeft onlangs een nieuw hulpmiddel getest om te zien of deze visie werkelijkheid aan het worden is. Ze evalueerden een computerprogramma dat gebruikmaakt van deep learning, een vorm van kunstmatige intelligentie, om de bloeddruk direct uit een standaard CT-scan te berekenen. De software draait direct op de ziekenhuiscomputer waar de scan wordt bekeken, wat belooft dat de resultaten binnen minuten beschikbaar zijn in plaats van dagen. De onderzoekers wilden weten of dit on-site programma de nauwkeurigheid van de invasieve draadtest kon evenaren, die nog steeds de gouden standaard is voor diagnose. Ze wilden ook zien of verschillende artsen dezelfde resultaten zouden krijgen bij het gebruik van de tool, en hoe lang het daadwerkelijk duurde om de berekeningen uit te voeren.

Om de antwoorden te vinden, bekeken het team de dossiers van 96 patiënten die zowel een CT-scan als een invasieve druktest hadden ondergaan binnen een periode van drie maanden na elkaar. De studie omvatte twee artsen met verschillende ervaringsniveaus: een radiologie-assistent en een senior gecertificeerd radioloog. Beide artsen analyseerden de CT-scans met behulp van de nieuwe software, die de slagaders automatisch in kaart brengt en simuleert hoe het bloed door hen heen stroomt onder stress. De software voorspelt vervolgens een drukwaarde voor elke blokkade. De artsen kregen te horen waar de blokkades zich bevonden op basis van de invasieve test, maar zij kenden de werkelijke drukresultaten van die test niet, om ervoor te zorgen dat hun oordeel onbevooroordeeld bleef.

De resultaten toonden aan dat het computerprogramma opmerkelijk dicht bij de invasieve metingen lag. Wanneer de onderzoekers de door de software voorspelde drukwaarden vergeleken met de werkelijke metingen die door de draad zijn genomen, kwamen de cijfers zeer goed overeen. De overeenkomst was sterk genoeg dat de software een significante blokkade correct identificeerde met een AUC van 0,80 in gevallen waarin de draad een aanwezigheid bevestigde. Het identificeerde ook correct wanneer een slagader gezond was, met een AUC van 0,87 in die gevallen. Dit niveau van nauwkeurigheid suggereert dat de tool betrouwbaar onderscheid kan maken tussen slagaders die een interventie nodig hebben en die dat niet hebben, een cruciaal onderscheid voor de patiëntenzorg.

Naast de ruwe nauwkeurigheid onderzocht de studie hoe consistent de tool was wanneer deze door verschillende mensen werd gebruikt. De twee artsen produceerden, ondanks hun verschil in ervaring, zeer vergelijkbare resultaten bij het analyseren van dezelfde scans. Wanneer de assistent-arts de analyse van dezelfde laesies enkele weken later herhaalde, waren de resultaten bijna identiek aan de eerste keer. Deze consistentie is essentieel voor een medisch hulpmiddel, aangezien het betekent dat de uitkomst afhangt van de technologie en de anatomie van de patiënt, en niet van de stemming of het vaardigheidsniveau van de specifieke arts die het gebruikt. De software bleek ook snel. In een deelgroep van patiënten waarbij de tijd werd bijgehouden, duurde de analyse gemiddeld 10 minuten en 33 seconden. Deze snelheid is snel genoeg om in een standaard werkdag te passen, waardoor een arts de scan kan beoordelen, de drukberekening kan uitvoeren en de resultaten met de patiënt kan bespreken, allemaal in hetzelfde consult.

De onderzoekers merkten op dat het hulpmiddel niet perfect is. De meeste fouten kwamen voor in gevallen waarbij de druk net op de grens tussen gezond en ziek was, een zone waar zelfs de invasieve draadtest moeilijk te interpreteren kan zijn. In deze lastige gevallen gokte de software soms iets te hoog of te laag. De studie benadrukte ook dat de software niet volledig automatisch is; het vereist dat een arts de kaart van de slagaders controleert en kleine aanpassingen maakt als het beeld onduidelijk is, zoals wanneer zware calciumafzettingen het zicht belemmeren. Deze handmatige stap betekent dat de kwaliteit van het uiteindelijke antwoord deels afhangt van de menselijke operator.

Uiteindelijk levert deze studie sterk bewijs dat deep learning de precisie van invasieve procedures naar een niet-invasieve scan kan brengen. De tool toonde een goede diagnostische nauwkeurigheid, een sterke overeenkomst met de gouden standaard draadtest, en de snelheid die nodig is voor echt wereldgebruik. Hoewel de onderzoekers waarschuwen dat grotere studies in verschillende ziekenhuizen nodig zijn om deze bevindingen voor de algemene populatie te bevestigen, suggereren de resultaten een toekomst waarin de beslissing om een geblokkeerde slagader te openen met meer vertrouwen en minder vertraging kan worden genomen, terwijl de patiënt zich nog steeds in het comfort van het beeldvormingscentrum bevindt.