Integrale computermodellering van cardiorespiratoire fitheid voor gepersonaliseerde risicoprofilering en preventie van hartfalen

Klinische inspanningstesten kunnen mogelijks de gepersonaliseerde risicoprofilering en behandeling van hart- en vaatziekten verbeteren. In de klinische praktijk gebruikt men echter slechts een handvol inspanningsparameters afzonderlijk van mekaar. Om de waarde van inspanningstesten ten volle te benutten, zullen we geavanceerde zelflerende (‘machine learning’, ML) benaderingen toepassen op grootschalige data van patiënten van UZ Leuven (n=1800) en van de algemene bevolking (FLEMENGHO cohorte, n=650). We zullen integratieve computermodellen ontwikkelen die gepersonaliseerde profielen van cardiorespiratoire fitheid opstellen en zullen diens relatie met subklinische fasen van hartfalen achterhalen. Deze modellen zullen uitvoerig gevalideerd worden in een extern cohort van 3500 patiënten met een uiteenlopend cardiovasculair risicoprofiel (verleend door het Stanford Cardiovascular Institute). Bovendien zullen we de moleculaire mechanismen achter subklinische hartdysfunctie en achter de cardiopulmonale response op bewegingstherapie blootleggen door onze ML-benaderingen te combineren met innovatieve immuun-metabolische biomerkers. Dit baanbrekende project zal leiden tot innovatieve algoritmes die de gezondheid van het hart preciezer kunnen evalueren en die de ontwikkeling van gepersonaliseerde beweeginterventies stimuleren. Aldus zullen deze innovatieve modellen de detectie en behandeling van hart- en haatziekten verbeteren en hun impact op de volksgezondheid reduceren.