Atriumfibrilleren voorspellen met een sinusritme-ecg

Onderzoekers van de Mayo Clinic ontwikkelden een algoritme op basis van kunstmatige intelligentie om de ‘verborgen geheimen’ van het 12-afleidingen-ecg tijdens sinusritme (SR-ecg) te ontrafelen, en zo te voorspellen welke patiënten in de toekomst atriumfibrilleren (AF) krijgen. Het algoritme werd getraind om SR-ecg’s van patiënten met paroxysmaal AF te onderscheiden van die van patiënten zonder AF. De onderzoekers gebruikten hiervoor bijna 650.000 SR-ecg’s van ruim 180.000 patiënten. De resultaten zijn hoopgevend en hebben volgens de onderzoekers therapeutische implicaties voor patiënten met AF die onlangs een ischemisch CVA hebben doorgemaakt. Om een recidief-CVA te voorkomen, moeten deze patiënten namelijk behandeld worden met orale antistolling (DOAC of vitamine K-antagonist) en niet met een trombocytenaggregatieremmer.

Het onderzoek is verricht door gerenommeerde onderzoekers en de resultaten van het onderzoek zijn gepubliceerd in een voornaam tijdschrift. Toch zijn er enkele kanttekeningen bij het onderzoek te plaatsen, die nopen tot voorzichtigheid.

Diagnostische waarde

De eerste kanttekening is dat de gevonden sensitiviteit en specificiteit van 79% ten hoogste ‘redelijk’ te noemen zijn. Als we ervan uitgaan dat bij circa 10% van de patiënten die onlangs een ischemisch CVA hebben doorgemaakt sprake is van niet-gediagnosticeerd AF,3 is de positief voorspellende waarde van het algoritme slechts 30%. Dat betekent dat wanneer het algoritme deel uitmaakt van de therapeutische besluitvorming, 70% van de patiënten onnodig behandeld wordt met orale antistolling. Dit is niet per se zonder gevaar.4 Een gevoeliger algoritme gaat gepaard met een hogere positief voorspellende waarde, ten koste van een lagere negatief voorspellende waarde. Hierdoor wordt AF bij veel patiënten gemist, terwijl de hartritmestoornis mogelijk wel aan het licht was gekomen bij langdurige monitoring van het hartritme. Het ontwikkelde algoritme kan in zijn huidige vorm wel van waarde zijn om patiënten te identificeren bij wie langdurige hartritmemonitoring niet zinvol is. De sensitiviteit van 79% gaat namelijk samen met een negatief voorspellende waarde van 98%, waardoor langdurige hartritmemonitoring kosteneffectiever kan worden ingezet.

Verborgen fenomeen of verborgen bias?

Methodologisch zijn er ook enkele kanttekeningen bij het onderzoek te plaatsen. Zo is het door het gebruik van kunstmatige intelligentie niet te achterhalen waarop het algoritme zich baseert, wanneer het een ecg classificeert als voorspellend voor AF. De onderzoekers geven als mogelijke verklaring dat structurele afwijkingen van de myocyten van de atria subtiele veranderingen op het SR-ecg veroorzaken die voor het menselijk oog niet zichtbaar zijn. Ongetwijfeld neemt het algoritme ook de bekende geleidings- en repolarisatieparameters mee, zoals de duur van de P-top, het PR-interval, de QRS-morfologie, het QRS-voltage, de QT-tijd en het ST-segment.

De onderzoekers beschrijven dat bij de meeste patiënten het SR-ecg dat gebruikt werd om het algoritme te trainen, op dezelfde dag werd verricht als het index-ecg tijdens AF. Het is dus goed mogelijk dat deze patiënten al bekend waren met AF en wellicht zelfs behandeld werden met bètablokkers, digoxine of antiaritmica. Als dat het geval is, is het algoritme mogelijk deels gebaseerd op ecg-veranderingen door deze medicamenten. De diagnostische waarde van het algoritme (de ‘area under the curve’) nam toe van 0,87 naar 0,90, wanneer gebruikgemaakt werd van het eerste SR-ecg ná in plaats van vóór de episode van AF. Dit doet inderdaad vermoeden dat het algoritme deels gebaseerd is op de effecten van medicatie.

Tot slot is het belangrijk om te realiseren dat er niet voor andere patiëntkarakteristieken is gecorrigeerd.

Conclusie

Het is mijns inziens verstandig om de resultaten van het onderzoek voorzichtig te interpreteren. Op dit moment is het algoritme onvoldoende accuraat om een rol te spelen in de therapeutische besluitvorming. Het gebruik van big data en artificial intelligence is aantrekkelijk om nieuwe verbanden te identificeren, maar doet niets af aan het belang van gedegen onderzoeksmethodologie.