Hartverwanten in de medische wereld: wat computers ons kunnen bijbrengen over de fouten in ons hart.

Het koppig hart

Het hart is zowaar de koppigste spier van ons lichaam; ze weigert stelselmatig stil te vallen. Zelfs als alle andere spieren uitklokken voor een nachtrust, klopt het hart door. Ingenieurs noemen het hart wel eens “de beste pomp die er bestaat”. Ongeveer elke seconde trekken de atria en ventrikels samen en pompen ze bloed door de rest van het lijf. Dit doen ze door middel van een onwaarschijnlijk complexe chemisch-elektrische interactie van verscheidene ionen. Deze interacties geven aanleiding tot een golfverschijnsel die zich over heel het hart manoeuvreert. Eerst beweegt de golf over de atria, dan wacht die even tussenin, om vervolgens naar de ventrikels te propageren. Waar de golf passeert, daar krijgen je hartspiercellen het signaal om samen te trekken. Die ionen zijn tot op de milliseconde op elkaar ingespeeld. Zelfs al gaat er iets fout, dan heeft je hart tal van failsafe mechanismen om te voorkomen dat het niet verder zou misgaan. Zo kunnen hartspiercellen bijvoorbeeld niet samentrekken vlak nadat er een golf gepasseerd is, en hebben ze even tijd nodig om tot rust te komen. Dit voorkomt dat een golf kan blijven dwalen doorheen de hartspiercellen, wat zou leiden tot een en onophoudelijke samentrekking, of een ongewenst ritme.

Ondanks de inherente regelmaat van het hart, loopt het toch soms mis. Het go-signaal, die de samentrekkingsgolf ontketent, kan vertrekken uit een foute locatie. Dan is het niet meer de regelmatige sinusnode die het ritme dirigeert, maar een onvoorspelbaar klompje spiercellen, die compleet naast de maat slaan. Deze heten focale slagen.

Als de hartspiercellen een te korte rustpauze inlassen, kan de samentrekkingsgolf zich een weg blijven banen doorheen de spiermuren. Dit kan roteren rond zichzelf als een tornado, of rond littekenweefsel of anatomische objecten zoals de longaderen die naar je atria leiden. Deze stoornis heet rotationele activiteit.

Dergelijke problemen kunnen onschuldig zijn, maar kunnen zich ook ontwikkelen tot levensbedreigende aandoeningen. Een samentrekkingsgolf die zich een weg blijft banen doorheen de spiercellen kan evolueren tot pure chaos: een patroon dat niet eens meer op een golf lijkt. De bijhorende samentrekking is even chaotisch: het hart trilt er op los, of valt volledig stil.

Meten doet weten

Een accurate manier vinden om te achterhalen waar en wanneer dergelijke defecten zich voordoen redt tal van mensenlevens. Elektrocardiogrammen (ECGs) zijn veruit de meest populaire manier om de elektrische golf over het hart te meten. Ze vergen geen intrusieve operatie en kunnen gemeten worden tijdens een kort doktersbezoek.

Wat je wint in gebruiksgemak, verlies je helaas in informatie. Vragen zoals “Waar roteert de elektrische golf?” en “Waar bevat het hart littekenweefsel?” zijn allesbehalve evident om te beantwoorden met behulp van enkel ECGs. Dat heeft onderzoekers niet tegengehouden om het alsnog te proberen, uiteraard.

Om het elektrisch hart in kaart te brengen bestaat er nog een methode, genaamd mapping. Hierbij wordt een katheder tegen de hartwand gehouden. Deze onthoudt niet alleen de locatie van de hartwand, maar meet ook het passerende elektrisch signaal. De katheder wordt dan over de wand van één of meer kamers verplaatst tot die volledig in kaart gebracht zijn. Deze methode is echter veel meer intrusief, tijdrovend en kostelijk. Ze wordt daarom pas toegepast geval van nood, of gecombineerd met een al geplande hartoperatie. Het voordeel? De data, die deze methode produceert, is veel informatiever over hoe de elektrische golf over het hart beweegt. Plaatsen van golfrotatie vallen al snel op, net zoals hartcellen die ongewenste signalen uitsturen.

Beide methodes hebben hun voor- en nadelen. Een gemeenschappelijk nadeel is dat de data niet altijd een sluitend antwoord kan bieden. ECGs en mapping data interpreteren vergt expertise. Niet elke interpretatie zal stuiten op consensus: complexe stoornissen vallen nu eenmaal niet gemakkelijk te identificeren, laat staan verhelpen.

Het computerbrein

De complexiteit van het probleem heeft al tal van methodes aangetrokken. Eén methode die al veel succes geboekt heeft, is het gebruik van machine learning en artificiële intelligentie om ECGs te interpreteren. Machine learning is een ongeëvenaarde kampioen als het gaat om linken vinden in complexe systemen en multidimensionele data. Een goed getraind computerbrein kan dingen zien waar de mens zich blind op staart. Impressionante modellen kunnen met ECGs al tal van hartritmestoornissen identificeren, lokaliseren, en zelfs voorspellen alvorens ze plaatsvinden. Ondanks deze successen, is het gebruik van machine learning nog niet uitgebreid naar toepassingen op mapping data.

Met dit werk werden de eerste stappen gezet om de successen van machine learning op klinische data uit te breiden. De eerste stap bestaat erin om exuberante hoeveelheden data te produceren. Hoe meer, hoe beter. Bij voorkeur geven we onszelf of onze naasten geen levensbedreigende hartaandoeningen for sience. Het beste plan is dan om ze te simuleren. Op basis van bestaande mapping data werden 25 modellen van het linkeratrium gereconstrueerd. Deze werden gebruikt in een totaal van 4383 simulaties van twee types hartritmestoornissen: focale slagen en rotationele activiteit.

Deze simulaties werden verwerkt en gebruikt om twee dingen te proberen met machine learning. Ten eerste: kan machine learning een onderscheid maken tussen de twee stoornissen? Het antwoord blijkt van wel, en zelfs met zeer hoge accuraatheid. Dit probleem is echter niet één van de complexe situaties die niet door mensen kan geïnterpreteerd worden. Het menselijk oog zou het in dit geval zelfs $0.0007\%$ beter doen dan de machine learning modellen.

Ten tweede: kan machine learning ontdekken waar er zich rotationele activiteit bevindt? Dit probleem is al stukken interessanter. De accuraatheid van de machine learning modellen impliceert dat het mogelijk kan zijn, maar er nog veel werk aan de winkel is alvorens machine learning een waardevolle bijdrage kan leveren bij de analyse van mapping data.

Verder onderzoek zou een waardevolle bijdrage kunnen leveren aan een accurate classificatie van hartritmestoornissen en diens onderliggende oorzaken. Zo draagt machine learning bij tot kostbare inzichten om het koppig hart nog jaren verder te helpen kloppen.