Kan AI het risico op ziekenhuisopname door hartfalen voorspellen met door patiënten gegenereerde ECG-gegevens van smartwatches ?

Kunnen consumentensmartwatches ECG-gegevens van voldoende precisie leveren om ziekenhuisopnames door hartfalen te voorspellen? Real-time analyse van deze draagbare signalen zou clinici kunnen waarschuwen voordat de toestand van een patiënt verslechtert, maar de betrouwbaarheid van dergelijke voorspellingen hangt af van de kwaliteit van de opnames en de duurzame betrokkenheid van de gebruiker.

Background

Hartfalenpatiënten vertonen vaak voorafgaande aritmieën dagen voordat decompensatie optreedt, wat een potentieel venster creëert voor vroege interventie. Consumenten-smartwatches kunnen single-lead ECG-traces vastleggen, en meerdere studies hebben geëvalueerd of deep-learning-pijplijnen die op deze signalen zijn getraind, toekomstige hartfalen (HF)-ziekenhuisopnames kunnen voorspellen. Gerapporteerde discriminatiemetrieken voor prototype-modellen schommelen rond de 70% wanneer ze uitsluitend op apparaatgegevens zijn getraind, en hebben traditionele risicocalculators die klinische variabelen en laboratoriumwaarden incorporeren (Europees Congres van de European Society of Cardiology 2023, Late-Breaking Science-presentatie “Deep learning from smartwatch ECGs to predict heart-failure hospitalization: the WATCH-HF pilot,” 12 mei 2026) niet overtroffen. Onderzoeksinspanningen hebben zich gericht op transformergebaseerde architecturen die ruwe smartwatch-ECG's omzetten in risicoscore-embeddings, maar deze benaderingen zijn nog niet extern gevalideerd, missen regelgevende goedkeuring voor routinematig gebruik en blijven beperkt door veelvoorkomende datakwaliteitsproblemen—bewegingsartefacten, slecht contact met de leads en variabiliteit in bemonsteringssnelheid tussen apparaten—wat de consistente modelprestaties ondermijnt.