AI ECG-interpretatie & Medische Beslissingsondersteuning

AI ECG-interpretatie is beslissingsondersteuning die elektrocardiogrammen en gescande medische rapporten leest, de klinisch relevante kenmerken extraheert en haar redenering toont — zodat een clinicus tijd besteedt aan oordeel in plaats van transcriptie. Deze pagina is een verdieping van onze capaciteit, geen afgerond klantproject: ze beschrijft het probleem dat we steeds tegenkomen in de Nederlandse en Benelux-cardiologie, hoe we een systeem zouden bouwen om dat aan te pakken, de technologie die daarbij komt kijken, en — eerlijk — wat het bewijs wel en niet zegt. Eén principe staat overal voorop: de clinicus blijft aan zet, en het systeem ondersteunt de beslissing in plaats van die te nemen.

We schrijven dit bewust als capaciteitsvoorbeeld, juist omdat de makkelijke versie van dit verhaal oneerlijk zou zijn. Er is geen geheime klant en geen kopcijfer dat we als het onze kunnen claimen. Wat we wel kunnen doen is laten zien hoe we over een lastig, gereguleerd probleem denken — en waar de cijfers uit de praktijk vandaan komen.

Het probleem: meer signalen dan tijd om ze te lezen

Een cardiologieafdeling genereert meer ECG’s en gescande rapporten dan iemand rustig kan beoordelen. Ze komen sneller binnen dan ze zorgvuldig gelezen kunnen worden, vaak als imperfecte artefacten: een gefotografeerde 12-leads-uitdraai, een scheve scan, een gefaxt rapport, een PDF van wisselende kwaliteit. Twee drukken botsen. Ten eerste het volume — de triage loopt vol en subtiele bevindingen dreigen laat te worden gezien. Ten tweede de uitlegbaarheid — een black-boxlabel helpt een clinicus niet die een beslissing moet onderbouwen, documenteren en verdedigen. Een output die zegt "afwijkend, 0,87" zonder redenering is geen beslissingsondersteuning; het is een risico.

De opdracht is dus smal en veeleisend. De ondersteuning moet snel genoeg zijn om in een drukke praktijk te tellen, transparant genoeg dat een clinicus ziet waarom een bevinding is opgeworpen, en eerlijk over haar eigen onzekerheid — zelfverzekerd waar dat hoort, en bereid om "ik weet het niet zeker, kijk a.u.b." te zeggen waar dat niet hoort.

Hoe het werkt: invoeren, extraheren, redeneren, doorsturen

We zouden de workflow in vier stappen bouwen, elk zo ontworpen dat een clinicus kan inspecteren wat er is gebeurd en het kan overrulen. Dezelfde pijplijn die een schoon digitaal ECG verwerkt, moet ook overweg kunnen met een verfrommelde telefoonfoto, dus robuustheid zit vanaf de eerste stap ingebouwd, niet er later op geplakt.

• Invoeren. Gescande PDF’s, ECG-beelden en foto’s worden ontvangen en opgeschoond: rechtzetten, ontruisen en normaliseren, daarna de afzonderlijke afleidingen segmenteren. Hier wordt een kwaliteitsscore toegekend, want een model mag nooit zelfverzekerd redeneren over een onleesbare scan — slechte invoer wordt gemarkeerd, niet stil verwerkt.
• Extraheren. Vision-modellen lokaliseren de golfvorm en halen P-top-, QRS- en T-top-morfologie per afleiding eruit, en signaleren mogelijke aritmie of ischemie. Hier doet onze computervisie-praktijk het zware werk — een ruisig beeld omzetten in gestructureerde, meetbare kenmerken.
• Redeneren. Modelvoorspellingen worden gecombineerd met klinische regels tot uitlegbare output per afleiding. In plaats van één ondoorzichtig label ziet de clinicus welke afleiding een bevinding aandreef en welke regel of welk patroon die ondersteunde — redenering die te lezen, te bevragen en te vertrouwen is.
• Doorsturen. Gestructureerde bevindingen dragen betrouwbaarheidsscores. Routinegevallen met hoge zekerheid worden netjes samengevat; onzekere of risicovolle gevallen gaan naar een clinicus ter beoordeling. Het systeem stuurt de aandacht; het besteedt die nooit namens de clinicus.

Voorbij de golfvorm: de documentkant

Dezelfde aanpak strekt zich uit tot de documenten rond het ECG. Gescande verwijsbrieven en eerdere rapporten kunnen worden gelezen, kernparameters geëxtraheerd, en een gestructureerde samenvatting opgesteld die de clinicus verifieert — de documentkant van beslissingsondersteuning die de signaalkant aanvult.

De technologie en aanpak

Onder de motorkap is dit een pragmatische mix, geen enkel magisch model. Convolutionele netwerken en Vision Transformers verzorgen de stap van beeld naar kenmerk; sequentiemodellen helpen bij het ritme; en een transparante regellaag codeert geaccepteerde klinische heuristieken, zodat de output interpreteerbaar is in plaats van puur statistisch. Die hybride is bewust — pure deep learning kan accuraat maar ondoorzichtig zijn, terwijl regels alleen broos zijn. Samen geven ze accuraatheid én een redeneerspoor.

Kalibratie en de grens van de human-in-the-loop

Twee technische keuzes wegen even zwaar als het model. De eerste is kalibratie: een betrouwbaarheidsscore is alleen nuttig als 0,9 echt ruwweg negen op de tien betekent, dus we behandelen kalibratie en een goed ingestelde beoordelingsdrempel als volwaardige op te leveren onderdelen. De tweede is de grens van de human-in-the-loop — precies bepalen welke gevallen het systeem mag samenvatten en welke het moet escaleren. Die grens goed krijgen is waar een tool echt veilig in gebruik wordt. Dit valt midden in ons bredere werk in machine learning en AI-implementatie, waar de stap van een veelbelovend prototype naar een betrouwbaar, gemonitord productiesysteem het eigenlijke werk is. Voor een verwant voorbeeld met signaal en documenten in een klinische context, zie onze case over klinische NLP voor ontslagbrieven.

Voor wie het is, en de klinische waarde

Dit is gebouwd voor cardiologieafdelingen, ziekenhuisgroepen, arbo- en bedrijfsgezondheidsaanbieders en diagnostische diensten in Nederland en de bredere Benelux die ECG’s en medische documenten verwerken in een volume dat zorgvuldige handmatige beoordeling onder druk zet. Meer over hoe we in deze sector werken leest u op onze zorg-pagina.

De waarde is concreet en meetbaar. Het is snellere triage, zodat urgente bevindingen eerder bovenkomen. Het is consistentie, zodat het tiende ECG van een lange dienst dezelfde gestructureerde aandacht krijgt als het eerste. Het is een helder redeneerspoor per afleiding dat documentatie en second opinions ondersteunt. En het is teruggewonnen clinicustijd — besteed aan oordeel en patiënten in plaats van transcriptie. Cruciaal: geen van die waarde hangt ervan af dat het systeem zonder toezicht gelijk heeft. Het hangt ervan af dat het nuttig en eerlijk is terwijl een clinicus stevig aan zet blijft.

Eerlijke resultaten en regelgevingskader

Hier zijn we bewust voorzichtig. De prestatiecijfers hieronder zijn sectorbenchmarks uit peer-reviewed cardiologieonderzoek — ze beschrijven wat deze klasse technologie kan bereiken, niet een resultaat dat Crux Digits heeft gemeten. We tonen ze om realistische verwachtingen te scheppen, nooit als claim over uw data.

Benchmarkbasis: peer-reviewed cardiologiestudies, 2024–2025 — deep-learning ECG-modellen bereiken cardioloog-niveau van ruwweg 88–94%, met AUC tot ongeveer 0,99 op grote datasets. Dit zijn sectorbenchmarks voor beslissingsondersteunende modellen, geen eigen validatie van Crux Digits. Elke klinische claim moet uit uw eigen gevalideerde studie komen, op uw eigen populatie en apparatuur.

Het regelgevingskader is even belangrijk. Dit is uitsluitend klinische beslissingsondersteuning — geen autonoom diagnostisch apparaat. In de EU valt software die bedoeld is om klinische beslissingen te informeren onder de Medical Device Regulation (EU MDR), en inzet vereist de juiste conformiteitsroute, een kwaliteits- en risicomanagementproces, en klinische evaluatie. De clinicus blijft verantwoordelijk voor elke diagnose en beslissing; het systeem is ontworpen om die verantwoordelijkheid te ondersteunen, met auditsporen en uitlegbare output, niet om die te omzeilen. We bouwen passend bij dat proces, niet eromheen. Transparante scoping voor zo’n gereguleerd bouwtraject staat op onze prijzen-pagina.

Hoe we een pilot zouden draaien

We beginnen niet met een programma van een jaar. We beginnen zoals goede klinische software hoort te beginnen: klein, meetbaar en onder toezicht. Een typische opdracht verloopt in strakke, bewijs-gestuurde stappen.

• Scope en data. De klinische vraag, de casemix en een representatieve, gepseudonimiseerde dataset afspreken — onder de AVG en een heldere verwerkersovereenkomst vanaf dag één.
• Nulmeting en bouw. De huidige handmatige nulmeting vaststellen, daarna de pijplijn invoeren–extraheren–redeneren–doorsturen bouwen op uw eigen ECG’s en documenten, niet op generieke voorbeelden.
• Schaduwevaluatie. Het systeem naast clinici laten meedraaien zonder de zorg te beïnvloeden, de bevindingen en zekerheid vergelijken met de waarheid, en de escalatiedrempel afstemmen.
• Echte cijfers rapporteren. We rapporteren geverifieerde sensitiviteit, specificiteit en beoordelingsgraad uit uw proef — de cijfers die een bredere uitrol echt rechtvaardigen, en die de benchmarks hierboven vervangen door bewijs.
• Het gereguleerde pad uitstippelen. Als de resultaten het ondersteunen, brengen we de EU MDR-route, monitoring en het human-oversight-model in kaart die nodig zijn richting klinisch gebruik.

Verdrinkt uw team in ECG’s en gescande rapporten en heeft het ondersteuning nodig die snel, uitlegbaar en eerlijk over haar grenzen is, dan is dat precies het probleem waarvoor dit is gebouwd. Vertel ons wat u wilt oplossen en wij scopen een gerichte pilot op uw eigen data — neem contact op. U kunt ook een verwant klinisch voorbeeld bekijken in onze case Neuro Path Finder screeningsondersteuning.