Detectie van aortastenose met smartphone-auscultatie met behulp van machine learning (HEARTBEAT-pilot)

Ernstige aortastenosen worden gewoonlijk operatief of interventioneel behandeld, waardoor het de meest frequent behandelde hartklepziekte is. Doorgaans wordt ernstige aortastenose pas gediagnosticeerd na het optreden van de eerste symptomen. Uit eerste onderzoeken blijkt echter dat de behandeling van asymptomatische aortastenosen ook de levensduur van getroffen personen zou kunnen verlengen. Daarom zou een breed toepasbare en kosteneffectieve diagnostische methode voor screening wenselijk zijn.

De huidige gouden standaard voor het diagnosticeren van aortastenose is echocardiografie. Het maakt gedetailleerde metingen en evaluatie mogelijk en helpt bij detectie en diagnostische beoordeling. Het is echter tijdrovend en daarom niet direct toepasbaar op een grotere populatie. Als alternatief is auscultatie als akoestische methode geschikt, waarbij typische geluidsveranderingen als gevolg van turbulentie in de bloedstroom kunnen worden gedetecteerd met behulp van een stethoscoop.

Omdat stethoscopen slechts voorwaardelijk toegankelijk zijn voor eigen gebruik, zowel qua beschikbaarheid als qua bruikbaarheid, wil dit onderzoek onderzoeken of een mobiele applicatie op basis van kunstmatige intelligentie voor gangbare smartphones met ingebouwde microfoons ook diagnostisch inzetbaar is. Voor dit doel worden microfoonopnames gemaakt op de typische vijf auscultatiepunten van 50 patiënten met ernstige aortastenose en 50 patiënten zonder enige relevante hartklepaandoening. Een digitale stethoscoop (3M Deutschland GmbH, Duitsland) en echocardiografische bevindingen dienen als referenties. Op basis van de data zal in een eerste stap een classificatiemodel worden ontwikkeld, dat met behulp van machine learning ernstige aortastenosen kan detecteren in smartphone-opnames.