In het CIneECGPLus project wordt nieuwe medische diagnostische software ontwikkeld welke de vroege detectie van hartziekten ondersteund en ook de effectiviteit van medische interventies in het hart kan bevestigen. De nieuwe technologie combineert inverse cardiac modellering met het visualiseren van elektrische activatie patronen in het hart en patroon herkenning op basis van Machine Learning methoden. Het Electrocardiogram is ruim honderd jaar geleden in Nederland uitgevonden. Gemiddeld worden de 12 kanaal ECG’s maar in 54% van de gevallen correct geïnterpreteerd. Achterliggende oorzaken zijn de variëteit in lichaamsbouw, de verschillen in hart posities in het lichaam, de variaties in de ECG elektroden plaatsing. Door deze oorzaken is het voor cardiologen met name lastig een juiste inschatting te maken van de werking van het hart in de ontspanning fase van het activatieproces (het tweede deel van het ECG) en is het ook niet goed mogelijk het ECG van een persoon door de tijd heen te vergelijken. Hierdoor komen ziekten laat of later in beeld en wordt ook gebruik gemaakt van technologie als MRI, CT of Echo om de elektrische werking van het hart te beoordelen. Het CineECGPlus project wil het belang van de bovengenoemde ECG beperkingen verminderen. Hierbij maakt het consortium gebruik van digitale technieken. Deze bestaan uit computermodellen van het hart en het lichaam en uit het toevoegen van enerzijds informatie over de posities van de elektroden en de fysieke karakteristieken van de borstkas. Tevens wordt er software ontwikkeld om reeds bestaande (en binnen het consortium ontwikkelde technologie) zodanig te verbeteren dat er sprake is van computer ondersteunde elektroden (terug)plaatsing, van automatische selectie van patiënt specifieke hart-torso modellen, van voor hartritme en ademhaling gecorrigeerde ECG golfpatroon vergelijking op individueel niveau. De feitelijke standaardisatie van het ECG welke hiermee wordt gerealiseerd als ook het toevoegen van geografische-anatomische informatie aan de ECG data (waar is de stroom in het hart op welk moment) maakt het mogelijk om met behulp van Machine Learning patronen te herkennen in zowel de ECG golfpatroon verschillen door de tijd heen als ten behoeve van hart-torso model selectie. De ontwikkelde oplossingen (computer ondersteunde elektroden plaatsing, registratie van elektroden en fysieke borstkas karakteristieken, hart-torso model selectie en ECG golfpatroon vergelijking) worden in het project ook in een eerste pilot gevalideerd voor zowel de detectie van ARVC als de detectie en behandeling opvolging van Brugada Syndroom. De tijdens de validatie verzamelde gegevens worden parallel ingezet om de ontwikkelde Machine Learning algoritmen verder te trainen. In het CineECGPlus consortium werken de volgende bedrijven en organisatie samen: Epiqure GmbH, Universitair Medisch Centrum Utrecht, Policlinico San Donato Milanese en ECG Excellence BV (projectleider).
