BSC-congresverslag - sessie 12

De Belgische werkgroep van Angiologie organiseerde dit jaar op het BSC-congres een niet te missen sessie rond artificiële intelligentie (AI) en cardiovasculaire aandoeningen. In dit verslag bespreken we de belangrijkste informatie uit deze sessie.

Waarom hebben we AI nodig?

Alexandre Unger, cardioloog in opleiding en doctorandus in de cardiovasculaire beeldvorming, verbonden aan het Erasmusziekenhuis Brussel en Lariboisière Parijs, beet de spits af met 'AI for dummies: het perspectief van een cardioloog'. De datahoeveelheid in de geneeskunde is sterk toegenomen. De arts beschikt over een uitgebreid diagnostisch arsenaal en ambulante data afkomstig van smartphones en draagbare sensoren. Dat gaat gepaard met uitdagingen zoals toenemende efficiëntiedruk en een beperkte consultatietijd, terwijl het de ambitie is om een betere kwaliteit van zorg te leveren. Hoe kunnen we die hoeveelheid data verwerken en wat kunnen we leren uit de resultaten?

AI in de vorm van automatisering en gepersonaliseerde geneeskunde wordt vaak naar voren geschoven als mogelijke oplossing. Automatisering beoogt klinische processen efficiënter te maken, terwijl gepersonaliseerde geneeskunde zich richt op het voorspellen van individueel risico om zorg beter af te stemmen op de patiënt. De vraag blijft in hoeverre AI die belofte momenteel kan waarmaken.

Hoe werkt AI?

De meeste hedendaagse AI-toepassingen in de geneeskunde steunen op machinelearning (ML), een vorm van AI die patronen in data herkent zonder autonoom klinisch handelen te initiëren. Binnen ML wordt een onderscheid gemaakt tussen 'supervised' en 'unsupervised' leermethoden.

Bij 'supervised learning' wordt een model getraind met gelabelde data, waarbij de uitkomst voor elke observatie bekend is. Het algoritme leert verbanden tussen variabelen en uitkomsten, en kan die kennis toepassen om voor nieuwe patiënten een risicoschatting te genereren (figuur 1A). Bij 'unsupervised learning' worden ongelabelde data geanalyseerd om onderliggende structuren of patiëntsubgroepen te identificeren op basis van gedeelde kenmerken, wat kan bijdragen aan een verfijnder begrip van ziektefenotypen en risicoprofielen (figuur 1B).

Deep learning vormt een verdere ontwikkeling binnen ML en maakt gebruik van gelaagde neurale netwerken die automatisch relevante kenmerken uit ruwe data afleiden en complexe patronen modelleren. Die techniek ligt aan de basis van veel actuele toepassingen in medische beeldanalyse en geautomatiseerde patroonherkenning (figuur 1C).¹

Voor de ontwikkeling van AI-modellen in de cardiovasculaire geneeskunde bestaat inmiddels uitgebreide literatuur en verschillende checklists ter begeleiding. In de praktijk vereist modelontwikkeling een interne en externe dataset. De interne dataset wordt gebruikt om het model te trainen. In de testfase wordt de performantie van het model beoordeeld, idealiter zowel op de interne als op een onafhankelijke externe dataset, om de generaliseerbaarheid van het model te beoordelen.²

AI-toepassingen in de huidige klinische praktijk

De mate waarin AI-toepassingen klinisch inzetbaar zijn, wordt beschreven volgens het 'technology readiness level'-concept. Volgens dat concept bevinden toepassingen gericht op beeldanalyse, 'workflow'- ondersteuning en risicostratificatie zich veelal in een gevorderd stadium richting klinische implementatie. Dat kan tijdswinst en een potentiële afname van gemiste diagnoses betekenen. Toepassingen voor voorspelling, prognostische modellering en therapeutische besluitondersteuning bevinden zich daarentegen nog in een vroeg, onderzoeksgericht stadium.³

Cardiologie

De afgelopen jaren is het aantal publicaties over AI- en ML-toepassingen in de cardiologie sterk toegenomen. Een analyse van peer-reviewed literatuur in PubMed toont dat de meeste studies zich richten op atherosclerose, hartfalen en hypertensie. De meest onderzochte datatypes betreffen ecg-, beeldvormingen 'omics'-data. Ongeveer driekwart van de onderzoeken heeft diagnostiek, risicovoorspelling of classificatie als klinisch doel.⁴

Klinische toepassingen bevinden zich momenteel vooral binnen de cardiale beeldvorming. AI kan de beeldverwerving en -analyse automatiseren. Dat leidt tot snellere scantijden en een meer gestandaardiseerde evaluatie, onder meer bij cardiale MRI. Daarbij is geautomatiseerde segmentatie, functiebepaling en diagnostiek van myocardiale aandoeningen inmiddels in veel systemen geïntegreerd.^{5, 6} Daarnaast worden modellen ontwikkeld voor risicostratificatie, bijvoorbeeld door de combinatie van beeldvormingsdata en klinische data, met in sommige studies een betere prognostische nauwkeurgheid dan klassieke risicomodellen.⁷

AI en vasculaire aandoeningen

Jean-Baptiste de Freminville, hoofd van de vasculaire eenheid verbonden aan het CHRU Tours in Frankrijk en gedoctoreerd in medische informatica, ging verder met mogelijke toepassingen binnen de vasculaire geneeskunde.

Binnen de vasculaire geneeskunde worden AI-toepassingen nog niet routinematig gebruikt, hoewel diverse systemen in ontwikkeling zijn.

Het onderzoek richt zich vooral op geautomatiseerde beeldanalyse. Zo kan AI-gestuurde segmentatie van carotisplaques op echografie helpen kwetsbare laesies te onderscheiden en daarmee bijdragen aan een betere inschatting van het ischemisch beroerterisico.⁸ Bij popliteale aneurysmata wordt AI gebruikt om echografische metingen te standaardiseren en inter-operatorvariabiliteit te verminderen.⁹ Daarnaast kan de AI-analyse van arteriële doppler-golfvormen risicopatienten identificeren met een verhoogde kans op ongunstige cardiovasculaire en ledemaatuitkomsten.¹⁰

AI en pulmonale embolie

Quentin Maloir, longarts en intensivist verbonden aan het CHU Liège, droeg bij aan deze boeiende AI-sessie met een lezing over AI en pulmonale embolie.

Langs de volledige zorgketen van pulmonale embolie worden AI-toepassingen ontwikkeld. In de context van klinische verdenking kunnen sommige ML-modellen een betere risicostratificatie bieden in de acute context dan traditionele scores.¹¹

Veel AI-toepassingen focussen op de geautomatiseerde opsporing van longembolen op CT-angiografie. Over het algemeen is deze diagnostische performantie vergelijkbaar met die van radiologen.¹² Er worden ook algoritmen ontwikkeld voor de opsporing op niet-gecontrasteerde en niet-thoracale scans, maar die hebben momenteel nog onvoldoende diagnostische accuraatheid.¹³ AI kan cardiale en functionele parameters extraheren uit echo- en CT-beelden, wat bijdraagt aan de objectieve beoordeling van rechterventrikelbelasting.¹⁴ Ook voor prognostische stratificatie zijn er modellen die beter presteren dan de klassieke PESI-scores.¹⁵ Voor chronisch trombo-embolische pulmonale hypertensie zou AI een bijzondere meerwaarde kunnen bieden, gezien de uitdagingen in de diagnostiek. AI zou potentieel subtiele vasculaire en parenchymafwijkingen kunnen opsporen, maar de evidentie blijft beperkt.^{16, 17}

Verder gaven de lezingen ons een nuchtere kijk op AI in de klinische praktijk.

Breed toepasbare AI-ondersteuning in de klinische praktijk

Naast beeldanalyse worden generieke klinische AI-systemen ontwikkeld, die toepasbaar zijn als bredere klinische assistent. Zogeheten language agents kunnen medische notities analyseren, relevante risicocalculators selecteren en automatisch patiëntspecifieke risicoscores berekenen, wat de toepasbaarheid van risicostratificatie binnen het vaak korte tijdsbestek van een consultatie kan vergroten.¹⁸ Converserende AI-systemen, zogenaamde grote taalmodellen, ondersteunen diagnostische dialoog door een real-time analyse van de klinische context en door differentiaal diagnostische voorstellen en beleidsvoorstellen te genereren. Ze tonen in een experimentele setting veelbelovende prestaties, maar vereisen verdere klinische validatie.¹⁹

Beperkingen en implementatie-uitdagingen

Een brede klinische toepassing blijft globaal vooralsnog beperkt. 'Overfitting' vormt een risico, waarbij trainingsdata onvoldoende representatief zijn ten opzichte van de data waarvoor de klinische toepassing gebruikt wordt. Dat kan leiden tot gemiste diagnoses en een onnauwkeurige risicovoorspelling voor specifieke patiëntengroepen. Daarnaast is de performantie van AI-toepassingen hoger voor classificatie en opsporing dan voor prognostische predictie en therapeutische aanbevelingen. Een bijkomende uitdaging is het 'black box-effect', waarbij de interne besluitvorming moeilijk te interpreteren is. Het bewijs voor klinische effectiviteit en kosteneffectiviteit is bovendien nog beperkt, en er bestaan vragen over de maatschappelijke en ecologische impact van grootschalige AI-toepassingen.²

Samen benadrukken deze bevindingen dat de succesvolle integratie van AI afhankelijk is van 1) robuuste validatie en representatieve data van de trainingsmodellen, 2) nauwe afstemming tussen de ontwikkelaar en de clinicus, en 3) focus op de meerwaarde in de klinische praktijk.

Referenties

1. Sanchez-Pinto LN, Luo Y, Churpek MM. Big Data and Data Science in Critical Care. Chest. 2018 Nov;154(5):1239-48.
2. Kagiyama N, Tokodi M, Hathaway QA, Arnaout R, Davies R, Dey D, et al. PRIME 2.0: Proposed Requirements for Cardiovascular Imaging- Related Multimodal-AI Evaluation. JACC: Cardiovascular Imaging, 2025 Aug;19(2):225-51.
3. Mastrodicasa D, van Assen M, Huisman M, Leiner T, Williamson EE, Nicol ED, et al. Use of AI in Cardiac CT and MRI: A Scientific Statement from the ESCR, EuSoMII, NASCI, SCCT, SCMR, SIIM, and RSNA. Radiology. 2025 Jan;314(1):e240516.
4. Quer G, Arnaout R, Henne M, Arnaout R. Machine Learning and the Future of Cardiovascular Care: JACC State-of-the- Art Review. J Am Coll Cardiol. 2021 Jan 26;77(3):300-313.
5. Litjens G, Ciompi F, Wolterink JM, de Vos BD, Leiner T, Teuwen J, Išgum I. State-of-the-Art Deep Learning in Cardiovascular Image Analysis. JACC Cardiovasc Imaging. 2019 Aug;12(8 Pt 1):1549-1565.
6. Lüscher TF, Wenzl FA, D'Ascenzo F, Friedman PA, Antoniades C. Artificial intelligence in cardiovascular medicine: clinical applications. Eur Heart J. 2024 Oct 21;45(40):4291-4304.
7. Zhao K, Zhu Y, Chen X, Yang S, Yan W, Yang K et al. Machine Learning in Hypertrophic Cardiomyopathy: Nonlinear Model From Clinical and CMR Features Predicting Cardiovascular Events. JACC Cardiovasc Imaging. 2024 Aug;17(8):880-893.
8. Song J, Zou L, Li Y, Wang X, Qiu J, Gong K. Combining artificial intelligence assisted image segmentation and ultrasound based radiomics for the prediction of carotid plaque stability. BMC Med Imaging. 2025 Mar 17;25(1):89.
9. Bellomo TR, Goudot G, Lella SK, Landau E, Sumetsky N, Zacharias N, et al. Feasibility of Encord Artificial Intelligence Annotation of Arterial Duplex Ultrasound Images. Diagnostics (Basel). 2023 Dec 25;14(1):46.
10. McBane RD 2nd, Murphree DH, Liedl D, Lopez-Jimenez F, Arruda-Olson A, Scott CG, et al. Artificial intelligence of arterial Doppler waveforms to predict major adverse outcomes among patients with diabetes mellitus. J Vasc Surg. 2024 Jul;80(1):251-259.e3.
11. Villacorta H, Pickering JW, Horiuchi Y, Olim M, Coyne C, Maisel AS, Than MP. Machine learning with D-dimer in the risk stratification for pulmonary embolism: a derivation and internal validation study. Eur Heart J Acute Cardiovasc Care. 2022 Jan 12;11(1):13-19.
12. Langius-Wiffen E, de Jong PA, Hoesein FAM, Dekker L, van den Hoven AF, Nijholt IM, et al. Retrospective batch analysis to evaluate the diagnostic accuracy of a clinically deployed AI algorithm for the detection of acute pulmonary embolism on CTPA. Insights Imaging. 2023 Jun 6;14(1):102.
13. Hagen F, Vorberg L, Thamm F, Ditt H, Maier A, Brendel JM, et al. Improved detection of small pulmonary embolism on unenhanced computed tomography using an artificial intelligence-based algorithm - a single centre retrospective study. Int J Cardiovasc Imaging. 2024 Nov;40(11):2293-2304.
14. Liu W, Liu M, Guo X, Zhang P, Zhang L, Zhang R, et al. Evaluation of acute pulmonary embolism and clot burden on CTPA with deep learning. Eur Radiol. 2020 Jun;30(6):3567-3575.
15. Cahan N, Klang E, Marom EM, Soffer S, Barash Y, Burshtein E, et al. Multimodal fusion models for pulmonary embolism mortality prediction. Sci Rep. 2023 May 9;13(1):7544.
16. Abdulaal L, Maiter A, Salehi M, Sharkey M, Alnasser T, Garg P, Rajaram S, Hill C, Johns C, Rothman AMK, Dwivedi K, Kiely DG, Alabed S, Swift AJ. A systematic review of artificial intelligence tools for chronic pulmonary embolism on CT pulmonary angiography. Front Radiol. 2024 Apr 9;4:1335349.
17. Lambert L, Michalek P, Burgetova A. The diagnostic performance of CT pulmonary angiography in the detection of chronic thromboembolic pulmonary hypertensionsystematic review and meta-analysis. Eur Radiol. 2022 Nov;32(11):7927-7935.
18. Jin Q, Wang Z, Yang Y, Zhu Q, Wright D, Huang T, et al. AgentMD: Empowering language agents for risk prediction with large-scale clinical tool learning. Nat Commun. 2025 Oct 23;16(1):9377.
19. Tu T, Schaekermann M, Palepu A, Saab K, Freyberg J, Tanno R, et al. Towards conversational diagnostic artificial intelligence. Nature. 2025 Jun;642(8067):442-450.
20. Mihan A, Pandey A, Van Spall HG. Mitigating the risk of artificial intelligence bias in cardiovascular care. Lancet Digit Health. 2024 Oct;6(10):e749-e754.