Automatische detectie van voorkamerfibrillatie: een noodzakelijke tool in de digitale gezondheidszorg

Heeft u wel al eens last van hartkloppingen? Voelt het aan alsof uw hart op hol slaat? Dan leidt u misschien wel aan voorkamerfibrillatie, de meest voorkomende hartritmestoornis. Vroege en accurate detectie is hier erg belangrijk. Automatische detectie van voorkamerfibrillatie kan de nodige assistentie verlenen aan uw huisarts of cardioloog om de op termijn mogelijk zware gevolgen van deze aandoening te vermijden.

Voorkamerfibrillatie: een stille doder

Voorkamerfibrillatie is de meeste voorkomende hartritmestoornis. Ongeveer één op vier zal hier ooit aan lijden, terwijl circa één percent in België deze aandoening nu heeft. Zeker wanneer u in uw omgeving veel zestigplussers heeft, is de kans groot dat u iemand kent met voorkamerfibrillatie. Voordat u panikeert: er is geen onmiddellijk risico voor uw gezondheid. Ook valt het vrij gemakkelijk te behandelen met medicatie, of in uitzonderlijke gevallen, via een operatie.

Op lange termijn echter kan voorkamerfibrillatie wel leiden tot longembolie of een beroerte. De gebrekkige bloeddoorstroming door het hart kan bloedklonters veroorzaken. Wanneer deze bloedklonters in de bloedbanen terecht komen, sluiten ze zuurstoftoevoer af, een potentiële doodsoorzaak.

De digitale geneeskunde

De revolutie van de digitale geneeskunde heeft de afgelopen jaren voor een explosie aan gezondheidsapps en -toestellen gezorgd. Fitbits, smartwatches en consorten zorgen ervoor dat we onze eigen gezondheidszorg kunnen organiseren. Denk ook aan ‘Doctor Google’, waarbij patiënten steeds meer zelf op zoek gaan naar een diagnose. Ondanks de mogelijke risico’s die deze trend met zich meedraagt, bijvoorbeeld op het vlak van privacy of door onnodige onrust bij patiënten, biedt hij ook heel wat kansen. Deze nieuwe technologieën bieden bijvoorbeeld de mogelijkheid om op veel grotere schaal te screenen op voorkamerfibrillatie. Dit is noodzakelijk, gezien de hoge prevalentie, terwijl daarenboven één op vijf geen symptomen vertoont.

Het Amerikaanse bedrijf AliveCor bracht recent de KardiaMobile uit: een kleine sensor, horende bij uw smartphone, die niet alleen uw hartritme monitort, maar ook het elektrocardiogram (ECG) opmeet. Onlangs kondigde ook Apple aan dat zijn nieuwe Watch een ECG-meting kan doen, met heel wat media-aandacht tot gevolg. Zo wijdde Terzake hier op 21 september een reportage aan.

                                                                      De KardiaMobile van AliveCor, waarmee een ECG-meting thuis kan gebeuren.

Zo’n ECG toont de elektrische activiteit van het hart en heeft bij gezonde patiënten een stereotiepe vorm. Klassiek meet de cardioloog dit ECG op met meerdere elektrodes, waardoor hij vanuit verschillende posities de activiteit kan registreren. Sensoren, zoals de KardiaMobile, die we dagelijks willen gebruiken, zijn hierin beperkt: meestal is slechts één signaal beschikbaar, wat uitdagender is in gebruik.

Automatische detectie van voorkamerfibrillatie

De twee voorgaande elementen, de noodzaak aan vroege screening en de beschikbaarheid van draagbare sensoren, motiveren het belang van een automatische detectie van voorkamerfibrillatie. U zou thuis uw ECG dan kunnen opmeten, waarna het algoritme u zegt of er potentieel voorkamerfibrillatie aanwezig is en u best uw huisdokter of cardioloog bezoekt. Een dergelijk algoritme dient dan ook niet als vervanging van de cardioloog, maar is een hulpmiddel, zodat de cardioloog zich kan bekommeren om de problematische gevallen. In de context van het ziekenhuis, bij gebruik van meerdere elektrodes, kan zo’n algoritme dienen als screening vooraf, of om de diagnose van de cardioloog te bevestigen of te corrigeren. De doelstelling van deze scriptie is dan ook de ontwikkeling van een algoritme om automatisch voorkamerfibrillatie te detecteren, zowel bij gebruik van één als meerdere elektrodes.

Het algoritme gebruikt verschillende technieken uit signaalverwerking, (tensor)algebra en machine learning. Een ECG-signaal, bestaande uit meerdere hartslagen, wordt eerst herleid tot één representatieve hartslag. Op basis van een database van gekende ECG-signalen, die door cardiologen reeds beoordeeld werden als normaal of als voorkamerfibrillatie, bouwt de methode in een eerste fase een model van een hartslag. Ten opzichte van dit model kunnen afwijkingen in een hartslag uitgedrukt worden, in een aantal getallen. Deze getallen symboliseren elke hartslag ten opzichte van het model. Voor de wiskundeknobbel onder u: deze modellering gebruikt tensoren, een meerdimensionale uitbreiding van matrices (de verzameling van getalletjes in een rechthoek, zeg maar).

In een tweede fase gebruikt de methode machine learning om deze getallen om te zetten in een ritme: normaal of voorkamerfibrillatie. Hierbij kan ook andere informatie toegevoegd worden over het hartritme, zoals het aantal hartslagen per minuut en afgeleide getallen hiervan. In machine learning leert de computer al deze informatie om te zetten naar een bepaald ritme, op dezelfde manier zoals mensen leren: door naar voorbeelden te kijken. Door de computer een database van voorbeelden te geven waarvan het ritme gekend is, kan hij, zolang er maar genoeg voorbeelden zijn, zelf de link leren tussen de gegeven informatie en de ritmes.

Deze ontwikkelde methode toont zowel op ECG-signalen van de KardiaMobile, als op signalen uit het ziekenhuis erg veelbelovende resultaten. Maar er zijn nog andere voordelen. Als hulpmiddel voor cardiologen, is het erg belangrijk dat zij de resultaten van een dergelijk algoritme kunnen interpreteren. Enkel op die manier kan de tool werkelijk een hulp zijn in de diagnostiek. Doordat deze methode modellen gebruikt, is ze veel transparanter voor cardiologen. De informatie die aan de machine learning-technieken gegeven wordt, is dan ook interpreteerbaar, zodat duidelijk is op basis van welke informatie een beslissing genomen wordt in de laatste diagnostische stap. Dit is een niet te onderschatten element in het succes van een dergelijk algoritme.

Recente ontwikkelingen, zoals de onthulling van de nieuwe ECG-functie op de Apple Watch, tonen dat de revolutie van de digitale geneeskunde op haar hoogtepunt zit. Samen met al deze nieuwe sensoren, worden ook bijhorende methodes steeds belangrijker. Dit onderzoek richtte zich op de ontwikkeling van een nieuw algoritme om automatisch voorkamerfibrillatie te detecteren, met de nadruk op klinische interpreteerbaarheid. Dergelijke methodes vormen de toekomst in onze maatschappij met de steeds groter wordende groep ouderen. Dit onderzoek stelt technologie ter beschikking van een maatschappij die er nood aan heeft.