Hoewel artificiële intelligentie (AI) steeds vaker wordt ingezet, blijft de klinische integratie ervan binnen de vasculaire zorg uitdagend. Voor de doelstellingen van VasculAI is het cruciaal dat AI‑modellen niet alleen hoge prestaties leveren, maar ook betrouwbaar, reproduceerbaar en transparant zijn, zodat ze daadwerkelijk ondersteuning kunnen bieden bij klinische beslissingen.
Het onderzoek rond Structuring Whitened Embeddings (SWE) aan de Universiteit Gent (UGent) draagt hieraan bij door representaties te ontwikkelen die zowel robuust als interpreteerbaar zijn. Op die manier helpen we de kloof te verkleinen tussen fundamenteel AI‑onderzoek en de praktische implementatie van AI‑gedreven monitoring van hart- en vaatziekten. De kracht van SWE ligt in het toevoegen van context aan diepe neurale netwerken. In plaats van een elektrocardiogram als een geïsoleerde meting te beschouwen, brengen we verschillende opeenvolgende observaties met elkaar in verband, waardoor een vollediger beeld van de evolutie van een patiënt ontstaat. Aangezien hartziekten geen uniform traject volgen, is het essentieel om de unieke dynamiek van elke patiënt accuraat te modelleren. SWE laat toe om cardiologische evoluties realistisch te modelleren op globale schaal, met ruimte om ook subtiele individuele veranderingen te accentueren en zo prognoses te verfijnen.
Deze aanpak opent niet alleen de deur naar meer accurate analyses, maar ook naar visuele representaties van patiënttrajecten die complexe informatie toegankelijk maken voor zorgverleners. Zo kunnen niet enkel risico’s worden voorspeld, maar ook inzichten worden geboden in het waarom achter die voorspellingen, waardoor het vertrouwen van zorgverleners wordt versterkt. De resultaten van het onderzoek werden recent publiceerd als open-access artikel in het tijdschrift IEEE Access [1].
