Gepersonaliseerde integratieve computermodellering van cardiorespiratoire fitheid om hartfalen in een vroegtijdig stadium te detecteren en te voorkomen.

 Om de wereldwijde epidemie van hartziekten in te dijken is er nood aan zowel testen als therapieën die hartziekten kunnen opsporen en behandelen nog voor symptomen optreden. Klinische inspanningstesten kunnen mogelijks hartfalen reeds in een vroeg stadium detecteren, terwijl bewegingstherapie kan helpen de ontwikkeling van hartfalen tegen te gaan. Inspanningsfysiologen gebruiken nu slechts een handvol parameters afzonderlijk van mekaar. Om echter de waarde van inspanningstesten ten volle te benutten, zullen we in dit project geavanceerde zelflerende (“machine learning”, ML) benaderingen toepassen op complexe inspanningsdata verzameld in de algemene bevolking (n=450) en in patiënten met een stabiele ischemische hartziekte (n≈100). We zullen integratieve computermodellen ontwikkelen die subklinische fasen van hartfalen kunnen definiëren en die het effect van 4 maanden bewegingstherapie op het hart kunnen voorspellen. Bovendien zullen we de moleculaire mechanismen achter subklinische hartdysfunctie en de cardiopulmonale response op bewegingstherapie blootleggen door onze ML benaderingen te combineren met innovatieve immuun-metabolische technieken. Dit project zal leiden tot integratieve computermodellen die ons toelaten om zowel de hartfunctie als cardiopulmonaire fitheid trefzeker te beoordelen. Aldus zal dit baanbrekende project de detectie en preventie van subklinisch hartfalen verbeteren en bijgevolg de impact van hart- en vaatziekten op onze volksgezondheid verminderen.