Voorkamerfibrillatie (VKF) is een vaak voorkomende hartritmestoornis met ernstige complicaties. De huidige detectie- en diagnosemethoden zijn afhankelijk van deskundige interpretaties van gestandaardiseerde EKGs, opgenomen tijdens paroxismale VKF-episodes, en risicoscores gebaseerd op elektronische patiëntendossiers (EPDs), waarvan de nauwkeurigheid beperkt is.

Dit project heeft tot doel om nieuwe aanpakken te ontwikkelen om de tijd van aanvang voor VKF nauwkeurig te voorspellen. Het zal patiëntevoluties genereren met behulp van een hybride AI die gebruik maakt van kenmerken afgeleid uit een enkelvoudig EKG of meerdere opvolg-EKGs, het EPD van de patiënt, biomedische kennis, biomarkers en mechanistische simulatiemodellen van het hart. Dit overtreft de huidige state of the art voor VKF-voorspelling die beperkt is tot binaire classificatie over een vooraf gespecificeerde tijdshorizon.

De gegenereerde patiëntevoluties zullen worden uitgebreid met nieuwe
interpreteerbaarheidstechnieken en onzekerheidskwantificering om kenmerken van toekomstige VKF te identificeren, waarvan de EKG shapelets onbekend zijn in het medische domein.

Samenvattend streeft dit project naar het ontwikkelen van innovatieve oplossingen voor het detecteren, screenen, gepersonaliseerd behandelen en monitoren van VKF en andere hartritmestoornissen in een medische context door nieuwe, geavanceerde machine learning technieken te verbinden met medische expertise om de patiëntresultaten te verbeteren.