HeartFM

De uitdaging

Acute decompensatie bij hartfalen wordt vaak laat herkend, wat leidt tot spoedopnames en beperkte mogelijkheden voor vroege interventie. Patiënten kunnen geleidelijk last krijgen van vochtophoping, verergerende symptomen of fysiologische veranderingen gedurende de dagen of weken voorafgaan aan een crisis die ziekenhuisopname vereist.

Deze vroege waarschuwingssignalen blijven vaak onopgemerkt tussen geplande ziekenhuisbezoeken, omdat traditionele monitoring afhankelijk is van episodische metingen en zelfrapportages van patiënten. Een late herkenning van decompensatie gaat niet alleen ten koste van de gezondheid van de patiënt, maar verhoogt ook de zorgkosten, met vermijdbare spoedopnames en langer verblijf in het ziekenhuis tot gevolg.

Er is duidelijk behoefte aan niet-invasieve, continue monitoringsmethoden die vroege signalen van verslechtering buiten de klinische setting kunnen identificeren, zodat kan worden ingegrepen voordat patiënten spoedeisende zorg nodig hebben.

Het project: HeartFM

HeartFM richt zich op het ontwikkelen en valideren van datagestuurde algoritmen om instabiel hartfalen te detecteren met behulp van sensorgegevens van wearables en klinische informatie. Het project bundelt klinische expertise, kennis van algoritmeontwikkeling en innovatie op het gebied van wearable-technologie om een cruciaal hiaat in management van hartfalen op te vullen.

TNO leidt de ontwikkeling en validatie van de algoritmen, met behulp van door het LUMC aangeleverde data van implanteerbare cardioverter‑defibrillators (ICD's). ICD-apparaten registreren continu fysiologische parameters bij hartpatiënten, wat een rijke bron van gevalideerde klinische data oplevert voor het trainen van algoritmen. TNO’s rol omvat het ontwerpen van het analytische framework, het ontwikkelen van machinelearningmodellen en het grondig valideren van de prestaties tegen klinische uitkomsten.

AIKON Health ontwikkelt intussen de wearable sensor patch die continue, niet-invasieve dataverzameling in het dagelijks leven mogelijk maakt. Hiermee wordt het algoritme, dat oorspronkelijk op ICD-data is gebaseerd, gebruikt als praktisch monitoringinstrument dat geschikt is voor een bredere patiëntenpopulatie.
In het kader van het project is de technische haalbaarheid aangetoond van het detecteren van instabiel hartfalen: een eerste versie van het algoritme is getraind op de ICD-dataset.

Dit proof-of-concept toont aan dat machinelearningmodellen patronen in fysiologische data kunnen identificeren die voorafgaan aan klinische decompensatie. Het algoritme verwerkt meerdere datastromen om de complexe, multifactoriële aard van hartfalen vast te leggen. Het project richt zich nu op het verfijnen van het algoritme om de gevoeligheid en specificiteit te verbeteren, gevallen van vals alarm te verminderen zonder dat het detectiepercentages daalt. Daarnaast wordt de prestatie gevalideerd in prospectieve klinische studies met patiënten die de AIKON Health sensor patch dragen.

Toekomstperspectief

Na de klinische validatie streeft HeartFM ernaar het algoritme voor de detectie van decompensatie te integreren in bestaande zorgpaden voor hartfalen. Monitoring op afstand met de wearable sensor patch maakt proactief zorgmanagement mogelijk: zorgverleners ontvangen een waarschuwing wanneer patiënten vroege signalen van achteruitgang vertonen. Vervolgens kan de medicatie tijdig worden aangepast of kan er een klinische evaluatie plaatsvinden, voordat een ziekenhuisopname nodig is.

De toekomstige ontwikkelingen richten zich op gepersonaliseerde drempelwaardes waarbij rekening wordt gehouden met individuele verschillen en het ziektetraject, waardoor de detectie nauwkeuriger wordt. Brede implementatie vereist samenwerking met cardiologieafdelingen, zorgsystemen en vergoedingsinstanties om de klinische effectiviteit en betaalbaarheid aan te tonen. Uiteindelijk kan dit leiden tot een afname van het aantal ziekenhuisopnames en een betere levenskwaliteit voor hartpatiënten.