Hypertrofische cardiomyopathie (HCM) is een van de belangrijkste oorzaken van plotse hartdood (SCD) bij adolescenten en jongvolwassenen en gaat gepaard met een aanzienlijke morbiditeit in alle leeftijdsgroepen.¹ Een correcte diagnose heeft ingrijpende implicaties voor de risicostratificatie van SCD, genetische counseling, familiescreening en langdurige klinische opvolging.

Hoewel HCM niet uitzonderlijk zeldzaam is, met een geschatte prevalentie van 0,17 % bij jongvolwassenen op basis van echocardiografische screeningsstudies,² blijft de aandoening ondergediagnosticeerd, met een prevalentie van slechts 0,07 % in verzekeringsdatabases.³

Met het huidige diagnostische algoritme, gestoeld op symptomen, incidentele bevindingen en familiescreening, blijven sommige patiënten nog steeds onopgemerkt tot in een gevorderd stadium, soms met SCD als eerste manifestatie (figuur 1).⁴ Bovendien kan het klinische onderscheid tussen HCM en andere oorzaken van linkerventrikelhypertrofie uitdagend zijn, zoals bij arteriële hypertensie of aortaklepstenose, de ziekte van Fabry bij adolescenten, RASopathieën bij kinderen en transthyretineamyloïdose bij ouderen.

Zowel laattijdige als foutieve diagnosen worden geassocieerd met ongunstige klinische uitkomsten. Hoewel echocardiografie de hoeksteen blijft van de diagnostiek en initiële evaluatie van HCM, is de optimale screeningsmethode voor vroegtijdige én accurate opsporing bij asymptomatische individuen nog niet vastgesteld.

Artificiële intelligentie (AI)-elektrocardiogram (ecg) voor de diagnose van HCM

Meer dan 90 % van de patiënten met HCM presenteert zich met ecg-afwijkingen⁵ en het 12 afleidingen-ecg biedt zich dan ook aan als een aantrekkelijke niet-invasieve, goedkope en schaalbare methode voor screening. De karakteristieke ecg-kenmerken zoals LVH, linkerasafwijking, Q-golven of T-golfinversies zijn echter aspecifiek, waardoor ecg-screening gekenmerkt wordt door een lage positieve voorspellende waarde en daardoor als screeningtool ontoereikend is in de routinepraktijk.^{6, 7} Niettemin is het mogelijk met behulp van AI-netwerken microscopische ecg-afwijkingen te detecteren die veel sensitiever en specifieker zijn voor HCM dan de gewone interpretatieregels doen vermoeden. Figuur 2 illustreert dat concept met de grafische weergave van een ecg voor interpretatie door de clinicus vergeleken met de wiskundige weergave van een ecg als input voor een AI-model. Ondertussen werd die benadering succesvol toegepast voor de opsporing van HCM, met een modeloppervlakte onder de curve van 0,96,⁸ en dat model werd vervolgens extern gevalideerd in internationale cohortes.⁹ Een recente meta-analyse bevestigt de hoge diagnostische accuraatheid van diverse AI-ecg-modellen voor HCM.¹⁰

AI-ecg evolueert naar klinische praktijk

In 2023 keurde de Amerikaanse Food and Drug Administration (FDA) voor het eerst een AI-ecg-algoritme goed dat specifiek ontwikkeld werd voor de opsporing van HCM: de Viz.ai HCM-module.^{11, 12} Deze software analyseert een standaard-ecg en genereert in realtime een waarschuwing in het elektronische patiëntendossier wanneer HCM vermoed wordt.

Een opmerkelijke eigenschap van Viz. ai HCM is het gebruik van modelkalibratie. In plaats van enkel een binair label 'HCM-verdacht: ja/nee' te rapporteren, geeft het algoritme een gekalibreerde waarschijnlijkheidsscore (in procent) dat de patiënt daadwerkelijk HCM heeft. Die score wordt afgeleid uit de kalibratie van de modeloutput tegenover een klinisch bevestigde HCM-cohorte. Daardoor wordt de positieve voorspellende waarde verhoogd en is de uitkomst beter interpreteerbaar in termen van ziekteprobabiliteit. De onderzoekers toonden aan dat die gekalibreerde score goed overeenkomt met de klinische realiteit, wat clinici toelaat om patiënten te prioriteren op basis van de geschatte kans op HCM.

De Viz.ai HCM-module wordt intussen in meerdere ziekenhuizen toegepast. In de Cleveland Clinic werden recent de resultaten gerapporteerd van 8,5 maanden 'real-world'-implementatie.¹³ Tijdens die periode werden ongeveer 46 000 opeenvolgende ecg's gescreend; bij 2,7 % van de patiënten gaf het model een HCM-verdacht signaal. Van die groep kregen 63 patiënten een nieuwe HCM-diagnose die voordien onopgemerkt was gebleven.

Die resultaten illustreren echter ook een belangrijke uitdaging: het onderscheid tussen HCM en fenokopieën is niet feilloos op basis van een AI-ecg. De positieve voorspellende waarde is dus niet 100 %, wat kan leiden tot extra screeningkosten. Door de drempelwaarde van het model aan te passen kan echter een betere balans worden gevonden tussen sensitiviteit en specificiteit: bij een conservatievere drempel steeg de specificiteit tot 99,6 %, weliswaar ten koste van de sensitiviteit. Zo kunnen instellingen de drempelwaarden afstemmen op de lokale pretestprobabiliteit.

Belangrijk is dat de negatieve voorspellende waarde in alle scenario's > 98 % bleef: een geruststellende bevinding die suggereert dat een niet-gemarkeerde ecg HCM vrijwel uitsluit.

Samengevat toonde deze studie overtuigend aan dat AI-ecg voor HCM-opsporing technisch haalbaar en klinisch relevant is in de dagelijkse praktijk.

Aandachtspunten bij de verdere uitrol van AI-ecg

De huidige AI-ecg-modellen werken vooral statisch: ze analyseren één ecg op één moment. Sommige valspositieven bij oudere patiënten bleken linkerventrikelhypertrofie- patronen door langdurige hypertensie of aortastenose. Daarnaast is er bias: zwarte patiënten kregen significant vaker een AI-ecg-alert voor hun klinische diagnose dan witte patiënten, wat kan wijzen op verschillen in zorgtoegang.¹⁴ Het is daarom van groot belang AI-modellen extern te valideren in diverse populaties. Een ander punt is uitlegbaarheid: clinici willen begrijpen waarom het model een patiënt als verdacht markeert. Technieken zoals saliency maps en Grad-CAM worden ontwikkeld om de delen van het ecg die het meest bijdragen zichtbaar te maken. Zo bleek in een eerdere AI-studie dat vooral ST/T-afwijkingen (met name in V1) en bepaalde QRS-kenmerken (bv. in aVR) de grootste rol speelden (figuur 3).¹⁵

AI-ecg als proactief en prognostisch instrument

Een intrigerende vraag is of AI-ecg in staat is HCM in een veel vroeger stadium op te sporen. In een retrospectieve studie uit een referentiecentrum, waarin AI-ecg werd toegepast bij 155 patiënten met HCM, kon het algoritme de aanwezigheid van HCM al aantonen één tot 16,3 jaar vóór de klinische diagnose.¹⁴

Momenteel loopt een prospectieve studie¹⁶ waarin atleten periodiek een AI-ecg uitvoeren voor de opsporing van HCM en een verminderde ejectiefractie, met gebruik van draagbare toestellen zoals de Apple Watch en AliveCor KardiaMobile 6L.

Daarnaast lijkt AI-ecg ook potentieel te hebben voor de longitudinale opvolging van ziekte-evolutie. Bij patiënten met obstructieve HCM die behandeld werden met mavacamten daalde de AI-'HCM-score' parallel met de afname van de LVOT-gradiënt en de serumconcentraties van NT-proBNP.¹⁵

AI-ecg klaar voor brede implementatie in de klinische praktijk

Tabel 1 illustreert hoe AI zich in hoog tempo ontwikkelt van een academisch onderzoeksmodel tot een concreet klinisch hulpmiddel. De Viz.ai HCM-module is momenteel de enige door het FDA goedgekeurde toepassing met aantoonbare implementatie in de Verenigde Staten, terwijl de introductie in Europa op korte termijn wordt verwacht.

De ESC-richtlijnen van 2023 voor het beleid bij cardiomyopathieën erkennen AI als een beloftevol instrument voor de verbetering van zowel diagnostiek als prognose.⁴ Het is dan ook aannemelijk dat AI-ondersteunde ecg-analyse binnenkort een vast onderdeel zal vormen van de volgende stap in HCM-screening, met als ultieme doel om werkelijk alle patiënten met HCM tijdig te identificeren.

Conclusie

HCM is een ondergediagnosticeerde, potentieel levensbedreigende aandoening die baat heeft bij vroegtijdige herkenning. De huidige diagnostische aanpak - gebaseerd op symptomen, toevallige ecg-vondsten en familieonderzoek - mist helaas nog steeds een deel van de patiënten, die pas in een gevorderd stadium van de ziekte worden ontdekt, zoals bij presentatie met SCD. Het standaard- ecg, lang beschouwd als te aspecifiek voor de diagnose van HCM, maakt nu een opmerkelijke comeback dankzij AI. AI-ecg heeft inmiddels in de klinische praktijk aangetoond dat het bijkomende HCM-patiënten kan identificeren, zelfs als klassieke ecg-kenmerken ontbreken.

Daarmee kondigt zich een nieuwe fase in de diagnostiek aan: een brede implementatie van ecg-screening ondersteund door AI kan helpen om alle patiënten met HCM te identificeren. Dat perspectief vraagt een realistisch-enthousiaste benadering: realistisch, omdat verdere verfijning noodzakelijk blijft, met name om het aantal valspositieven (bv. in oudere populaties) te beperken, bias op te sporen en de langetermijneffecten te evalueren, maar ook enthousiast, omdat de eerste klinische ervaringen (waaronder een door de FDA goedgekeurde AI-toepassing die binnen enkele maanden tientallen nieuwe gevallen identificeerde) bijzonder hoopgevend zijn voor de toekomst van de gepersonaliseerde cardiologie. Binnenkort kan een huisarts bij een twijfelachtig ecg, gesteund door AI-ecg-output zoals '80 % kans op HCM', sneller handelen en zo bijdragen aan de vroegtijdige opsporing en preventie van SCD. Een multidisciplinaire samenwerking tussen cardiologen en AI-experten is essentieel om de technologie verder te verfijnen en veilig in te bedden in de klinische praktijk. Uiteindelijk mag AI geen doel op zich zijn, maar moet het een middel zijn om het primaire doel te bereiken: ervoor zorgen dat geen enkele patiënt met HCM ongediagnosticeerd blijft tot het te laat is.

Referenties

1. Maron, B.J., Haas, T.S., Murphy, C.J., Ahluwalia, A., Rutten-Ramos, S. Incidence and causes of sudden death in U.S. college athletes. J Am Coll Cardiol, 2014, 63 (16), 1636-1643.
2. Maron, B.J., Gardin, J.M., Flack, J.M., Gidding, S.S., Kurosaki, T.T., Bild, D.E. Prevalence of hypertrophic cardiomyopathy in a general population of young adults. Echocardiographic analysis of 4111 subjects in the CARDIA Study. Coronary Artery Risk Development in (Young) Adults. Circulation, 1995, 92 (4), 785-789.
3. Husser, D., Ueberham, L., Jacob, J., Heuer, D., Riedel-Heller, S., Walker, J. et al. Prevalence of clinically apparent hypertrophic cardiomyopathy in Germany-An analysis of over 5 million patients. PLOS ONE, 2018, 13 (5) [e0196612].
4. Arbelo, E., Protonotarios, A., Gimeno, J.R., Arbustini, E., Barriales-Villa, R., Basso, C. et al., ESC Scientific Document Group. ESC Guidelines for the management of cardiomyopathies. Eur Heart J, 2023, 44 (37), 3503-3626.
5. McLeod, C.J., Ackerman, M.J., Nishimura, R.A., Tajik, A.J., Gersh, B.J., Ommen, S.R. Outcome of patients with hypertrophic cardiomyopathy and a normal electrocardiogram. J Am Coll Cardiol, 2009, 54 (3), 229-233.
6. Pelliccia, A., Maron, B.J., Culasso, F., Di Paolo, F.M., Spataro, A., Biffi, A. et al. Clinical significance of abnormal electrocardiographic patterns in trained athletes. Circulation, 2000, 102 (3), 278-284.
7. Maron, B.J. et al., American Heart Association Council on Clinical Cardiology, Advocacy Coordinating Committee, Council on Cardiovascular Disease in the Young, Council on Cardiovascular Surgery and Anesthesia, Council on Epidemiology and Prevention, Council on Functional Genomics and Translational Biology, Council on Quality of Care and Outcomes Research, American College of Cardiology. Assessment of the 12-lead electrocardiogram as a screening test for detection of cardiovascular disease in healthy general populations of young people (12-25 years of age): a scientific statement from the American Heart Association and the American College of Cardiology. J Am Coll Cardiol, 2014, 64 (14), 1479-1514.
8. Ko, W.-Y., Siontis, K.C, Attia, Z.I., Carter, R.E., Kapa, S., Ommen, S.R. et al. Detection of Hypertrophic Cardiomyopathy Using a Convolutional Neural Network-Enabled Electrocardiogram. J Am Coll Cardiol, 2020, 75 (7), 722-733.
9. Siontis, K.C., Wieczorek, M.A., Maanja, M., Hodge, D.O., Kim, H.-K., Lee, H.-J. et al. Hypertrophic cardiomyopathy detection with artificial intelligence electrocardiography in international cohorts: an external validation study. Eur Heart J Digit Health, 2024, 5 (4), 416-426.
10. Łajczak, P., Righetto, B.B., Obi, O., Wijaya, P., Sahin, O.K., Eltawansy, S. et al. AI-driven ECG diagnostics: A game-changer for hypertrophic cardiomyopathy. A systematic review and diagnostic test accuracy meta-analysis. Heart Lung, 2025, [Online ahead of print].
11. Viz.ai HCM module. FDA De Novo clearance DEN230003, 2023.
12. Lampert, L., Bhatt, D.L., Vaid, A., Kon, K., Feinman, J., Jou, S. et al. Calibration of ECG-Based Deep-Learning Algorithm Scores for Patients Flagged as High Risk for Hypertrophic Cardiomyopathy. NEJM AI, 2025, 2 (5).
13. Desai, M.Y., Jadam, S., Abusafia, M., Rutkowski, K., Ospina, S., Gaballa, A. et al. Real-World Artificial Intelligence-Based Electrocardiographic Analysis to Diagnose Hypertrophic Cardiomyopathy. JACC Clin Electrophysiol, 2025, 11 (6), 1324-1333.
14. Lewontin, M., Kaplan, E., Bilchick, K.C., Barber, A., Bivona, D., Kramer, C.M. et al. Advanced Diagnosis of Hypertrophic Cardiomyopathy with AI-ECG and Differences Based on Ethnicity and HCM Subtype. J Clin Med, 2025, 14 (13), 4718.
15. Siontis, K.C., Suárez, A.B., Sehrawat, O., Ackerman, M.J., Attia, Z.I., Friedman, P.A. et al. Saliency maps provide insights into artificial intelligence-based electrocardiography models for detecting hypertrophic cardiomyopathy. J Electrocardiol, 2023, 81, 286-291.
16. Mayo Clinic, A Study of Artificial Intelligence ECG With ECG Devices to Detect Hypertrophic Cardiomyopathy Distinct From Athlete's. NCT06290570. https://www.mayo.edu/ research/clinical-trials/cls-20561637.
17. Aminorroaya, A., Shankar, S.V., Khan, M., Carter, M., Dhingra, L., Khunte, A. et al. Fully Automated Detection of Structural Heart Disease from Apple Watch ECGs Using a Noise-Adapted AI Algorithm: The WATCH-SHD Study. Circulation, 2025, 152 (3),