Congresverslag - Heart Failure 2025

Het Europese hartfalencongres in Belgrado vormde dit jaar het toneel voor een levendige en toekomstgerichte discussie over de rol van artificiële intelligentie (AI) in de detectie en opvolging van hartfalen. Verschillende internationale experts - waaronder Justin Ezekowitz, Mariell Jessup en Folkert Asselbergs - brachten inzichten uit zowel academisch onderzoek als klinische implementatie. De teneur was duidelijk: wie AI omarmt, surft mee op een golf van mogelijkheden; wie terugdeinst, riskeert overspoeld te raken door de technologische revolutie.

Echocardiografie: van werkpaard tot slimme assistent

Echocardiografie is en blijft het diagnostische werkpaard binnen de cardiologie, en dat geldt des te meer in het kader van hartfalen. Naast de inschatting van de ejectiefractie is het ook essentieel om de onderliggende etiologie te vatten - denk aan ischemie, amyloïdose of valvulair lijden. Toch botsen we in de praktijk tegen beperkingen: hoge interobservervariabiliteit, tijdsdruk en het onvermogen om systematisch geavanceerde parameters zoals globale longitudinale strain te berekenen.

Hier biedt AI een veelbelovende oplossing. De PANES-HF-studie toonde aan dat verpleegkundigen zonder eerdere ervaring en na slechts twee weken training in staat waren om met behulp van AI-ondersteunde echografie beelden van hoge diagnostische kwaliteit te verkrijgen bij patiënten met een vermoeden van hartfalen. De bijbehorende echografierapporten omvatten daarbij systematisch alle metingen.¹ De nauwkeurigheid was hoog en het potentieel voor taakverschuiving binnen het zorgteam is evident.

In de CUMIN-pilootstudie werden echografische metingen zelf thuis afgenomen, eveneens door verpleegkundigen, met ondersteuning van AI voor beeldacquisitie en -analyse.² De resultaten bevestigden dat deze aanpak betrouwbaar en reproduceerbaar is, wat de drempel verlaagt voor vroege detectie, zeker in geografisch geïsoleerde of onderbemande gebieden.

De OPERA-studie ging nog een stap verder: AI-algoritmen werden toegepast op beelden van draagbare echotoestellen en vergeleken met conventionele echografie. De overeenstemming bleek klinisch acceptabel, en de tijdswinst significant.³ Deze bevindingen openen perspectieven voor versnelde triage en monitoring, zowel extramuraal als intramuraal, en dragen bij aan een efficiënter gebruik van de middelen op het echolab.

Daarnaast zijn er indicaties dat AI specifieke pathologieën zoals cardiale amyloïdose beter kan detecteren dan het blote oog, dankzij patroonherkenning in zowel echocardiografische beelden als ecg's. Ook in de beoordeling van valvulaire pathologie - bijvoorbeeld de ernst van aortaklepstenose - blijken AI-tools accuraat en consistent, met voordelen voor zowel diagnostiek als opvolging.^4,5 De kracht en nauwkeurigheid van dergelijke AI-systemen worden pas echt maximaal benut wanneer ze naadloos worden geïntegreerd met het elektronische patiëntendossier, waarin alle beschikbare gegevens - zoals beeldvorming, ecg's en consultatieverslagen - worden gebundeld tot een coherent geheel.

AI in opvolging van hartfalen: meer dan gadgets

Wearables, thuismetingen, digitale coaches - het klinkt futuristisch, maar op het HF-congres werd duidelijk dat deze technologieën stilaan rijp zijn voor klinische toepassing. De LINK-HF-trial onderzocht de voorspellende waarde van draagbare sensoren bij patiënten met hartfalen. Door gegevens over hartslag, ademhalingsfrequentie, activiteit en zelfs lichaamshouding te combineren via AI, kon verergering van hartfalen gemiddeld 6,5 dagen vóór klinische symptomen worden voorspeld.⁶

Deze voorspellende monitoring kan worden gekoppeld aan behandelstrategieën. In de ADMINISTER-RCT, gepubliceerd in Nature Medicine, werden digitale consultaties met AI-ondersteuning vergeleken met standaardzorg. Het resultaat was dat meer patiënten met hartfalen optimale richtlijngerichte medische therapie kregen, met betere tolerantie en minder ziekenhuisopnames.⁷ Bovendien maken nieuwe AI-algoritmen het mogelijk om via single-lead ecg niet-invasief het kaliumgehalte nauwkeurig in te schatten, wat cruciaal is bij het opstarten of optitreren van RAAS-remmers.⁸

De meerwaarde ligt niet enkel in het medisch-technische, maar ook in het logistieke. Door AI-ondersteuning kunnen zorgtrajecten beter worden gepersonaliseerd, wat niet alleen efficiëntie maar ook therapietrouw bevordert. Een slimme armband die waarschuwt voor gewichtstoename of een digitale coach die de patiënt een seintje geeft wanneer hij zijn medicatie moet nemen, kan soms meer impact hebben dan een consultatie vier weken later.

Grote taalmodellen en AI-agents: een nieuwe collega?

Grote taalmodellen zoals ChatGPT tonen dat AI ook buiten het domein van beeldvorming of sensordata van waarde is (figuur 1). Folkert Asselbergs schetste een toekomst waarin digitale assistenten - avatars of chatbots - standaard deel uitmaken van het zorgteam. Denk aan een virtuele hartfalenverpleegkundige die 24/7 beschikbaar is, communiceert in de taal van de patiënt, en advies geeft over zoutinname, medicatie of het herkennen van alarmsymptomen. In de VS wordt 'Linda' al ingezet in meerdere centra - een AI-assistent voor 9 dollar per uur. Zeker het uitproberen waard: www.hippocraticai.com/linda.

Deze technologie is dichterbij dan velen denken en zou binnenkort weleens onmisbaar kunnen worden binnen het hartteam. De ESC-chatbot, een initiatief van de Europese Vereniging voor Cardiologie en momenteel beschikbaar als pilot met beperkte toegang, vormt een eerste stap richting richtlijngebaseerde besluitvorming in real time, toegepast op individuele casussen. Een korte invoer volstaat om de essentie uit de ESC-richtlijnen te distilleren en tot een passend advies te komen. De lancering voor het brede publiek wordt nog dit jaar verwacht.

Valkuilen en aandachtspunten

De belofte van AI is groot, maar vraagt om een kritische en contextgebonden benadering (figuur 2). Technologische performantie alleen volstaat niet: het merendeel van de algoritmes blinkt uit in accuraatheid op retrospectieve datasets, maar data over harde klinische eindpunten blijven schaars. De werkelijke impact op patiëntenzorg moet dus nog overtuigend worden aangetoond.

Explainability vormt een tweede belangrijke as. Terwijl sommige AI-systemen gebaseerd zijn op begrijpelijke regels, blijven veel krachtige modellen 'black boxes' - moeilijk te interpreteren voor clinici en patiënten. Dit heeft implicaties voor vertrouwen, aansprakelijkheid en het verkrijgen van geïnformeerde toestemming, zoals recent nog benadrukt in een mooi en toepasbaar wetenschappelijk standpunt van de American Heart Association.⁹

Daarnaast is de context van toepassing cruciaal. Algoritmes die goed presteren in Amerikaanse datasets zijn niet zonder meer toepasbaar op Belgische populaties. Externe validatie en aandacht voor bias zijn essentieel. Commerciële belangen mogen bovendien de maatschappelijke toegankelijkheid niet ondermijnen.

Om dit te vermijden, is er nood aan een Belgisch implementatiekader, geïnspireerd op internationale initiatieven zoals FUTURE-AI. Zo'n raamwerk moet niet alleen technische normen vastleggen, maar ook aandacht besteden aan ethiek, juridische implicaties en vergoedingsmodellen. Alleen zo kunnen we AI op een duurzame, verantwoorde manier integreren in de klinische praktijk.

Conclusie: hoopvol maar nuchter

De integratie van AI in de hartfalenzorg biedt reële kansen: snellere en accuratere diagnostiek, gepersonaliseerde opvolging, en een efficiëntere organisatie van zorg. Toch vereist implementatie meer dan enkel technologische capaciteit. Er is nood aan validatie, een ethisch kader, en vooral: een cultuur die bereid is te leren en te evolueren. Want zoals bij elke vernieuwing geldt ook hier: technologie is geen doel op zich, maar een middel. De sleutel tot succes ligt niet in de algoritmes zelf, maar in hoe wij ze gebruiken. Wie zaait in data, oogst inzicht - maar enkel als de grond goed bewerkt is.

Referenties

1. Huang, W., Koh, T., Tromp, J., Chandramouli, C., Ewe, S.H., Ng, C.T., Lee, A.S.Y., Teo, L.L.Y., Hummel, Y., Huang, F., Lam, C.S.P. Point-ofcare AI-enhanced novice echocardiography for screening heart failure (PANES-HF). Sci Rep, 2024, 14, 1-8.
2. Tromp, J., Sarra, C., Nidhal, B., Mejdi, B.M., Zouari, F., Hummel, Y. et al. Nurse-led homebased detection of cardiac dysfunction by ultrasound: results of the CUMIN pilot study. Eur Heart J Digit Health, 2024, 5 (2), 163-169.
3. Mcmeekin, N., Davies, A., Petrie, M.C., Campbell, R.T., Lowe, D.J., Murphy, C.L. et al. A Digital Diagnostic Pathway for Heart Failure: an economic evaluation. medRxiv 2024, 2024.11.01.24316568.
4. Sadeghpour, A., Jiang, Z., Hummel, Y.M., Frost, M., Lam, C.S.P., Shah, S.J. et al. An Automated Machine Learning-Based Quantitative Multiparametric Approach for Mitral Regurgitation Severity Grading. JACC Cardiovasc Imaging, 2025, 18 (1), 1-12.
5. Holste, G., Oikonomou, E.K., Mortazavi, B.J., Coppi, A., Faridi, K.F., Miller, E.J. et al. Severe aortic stenosis detection by deep learning applied to echocardiography. Eur Heart J, 2023, 44 (43), 4592-4604.
6. Stehlik, J., Schmalfuss, C., Bozkurt, B., Nativi- Nicolau, J., Wohlfahrt, P., Wegerich, S. et al. Continuous Wearable Monitoring Analytics Predict Heart Failure Hospitalization: The LINKHF Multicenter Study. Circ Heart Fail, 2020, 13 (3), E006513.
7. Man, J.P., Koole, M.A.C., Meregalli, P.G., Handoko, M.L., Stienen, S., Lange, F.J. et al. Digital consults in heart failure care: a randomized controlled trial. Nat Med, 2024, 30 (10), 2907-2913.
8. Attia, Z.I., DeSimone, C.V., Dillon, J.J., Sapir, Y., Somers, V.K., Dugan, J.L. et al. Novel bloodless potassium determination using a signalprocessed single-lead ECG. J Am Heart Assoc, 2016, 5 (1), e002746.
9. Armoundas, A.A., Narayan, S.M., Arnett, D.K., Spector-Bagdady, K., Bennett, D.A., Anthony Celi, L. et al. Use of Artificial Intelligence in Improving Outcomes in Heart Disease: A Scientific Statement From the American Heart Association. Circulation, 2024, 149 (14), e1028-E1050.