Deze pagina is automatisch vertaald. In geval van afwijkingen is de Engelse versie bindend.

Herzien: 16 juli 2026

De toekomst van de behandeling van hartaandoeningen

Door: Dr. Peter Megdal

Hoe dit artikel te gebruiken

Medische disclaimer: Dit artikel is uitsluitend voor educatieve doeleinden en is geen medisch advies. Raadpleeg altijd uw arts voor persoonlijk advies.

Eenvoudige taal

Stel je voor dat je naar een prachtig huis kijkt. Het gazon is perfect groen. De ramen zijn schoon en glanzend. Vanaf de straat ziet het huis er gloednieuw uit. Maar achter de muren bevindt zich een “geest in de machine”. De waterleidingen zijn oud en roestig. De elektriciteitsdraden rafranden en vonken. Je kunt deze problemen niet zien door alleen maar naar de buitenkant te kijken. Op een dag barst er een pijp of ontstaat er brand. Iedereen is geschokt. Ze zeggen: “Maar het huis zag er zo goed uit!”

Dit is precies wat er gebeurt met veel mensen en hun hart. Veel mensen gaan naar de dokter en krijgen te horen dat ze volkomen gezond zijn. Ze voelen zich prima. Ze slagen voor hun basistests. Hun dokter vertelt hen dat alles er “goed” uitziet. Dan krijgen ze plotseling een hartinfarct. Dit gebeurt omdat onze oude tests zijn zoals het huis vanaf de straat bekijken. Ze missen de “roestige leidingen” in de muren van het hart.

Vandaag staan we aan het begin van een enorme verandering. Het is een “paradigmaverschuiving.” Dit betekent dat we de manier waarop we dingen doen grondig veranderen. In plaats te wachten tot er een “brand” ontstaat in het hart, gebruiken we Kunstmatige Intelligentie (KI) om het gevaar jaren voordat het problemen veroorzaakt op te sporen. We bewegen ons van een wereld waarin we reageren op pijn naar een wereld waarin we de waarheid helder kunnen zien.

Het “verborgen” gevaar: de meeste hartinfarcten komen niet door totale blokkades

De velen van ons denken dat een hartinfarct lijkt op een verstopte gootsteen. We denken dat een buik zich vult met “troep” tot er geen bloed meer doorheen kan. In de medische wereld wordt deze vernauwing “stenose.” Vroeger dachten artsen dat je een hoog risico liep als een bloedvat voor 90% verstopt was. Als het maar voor 20% verstopt was, dachten ze dat je veilig was.

Maar hier is het enge geheim: de meeste hartaanvallen gebeuren niet in de aders die grotendeels verstopt zijn. Ze gebeuren in aders die er grotendeels open uitzien.

Denk aan een “blaar” in de wand van een pijp. Aan de buitenkant ziet de pijp er goed uit. Er stroomt gemakkelijk bloed doorheen. Maar binnenin de wand zit die blaar vol met zacht, vet “vet”. Dit vet is erg onstabiel. Als die blaar knpt, ontstaat er plotseling een bloedstolsel. Dat stolsel is wat het bloed tegenhoudt en de hartaanval veroorzaakt. Omdat de pijp niet “verstopt” was voordat de blaar knapte, zou een gewone test zeggen dat de persoon in orde is.

De cijfers vertellen een verhaal dat ieder mens zou moeten kennen:

“Uit autopsie- en angiografisch onderzoek blijkt dat ongeveer 70–75% van de hartinfarcten plaatsvinden in bloedvaten met een vernauwing van minder dan 50% vóór het indexgebeurtenis.”

Dit betekent dat van de 10 mensen die een hartaanval krijgen, er 7 of 8 zouden zijn geslaagd voor een test die alleen kijkt naar grote verstoppingen. Hun hartbloedvaten waren vlak voor deramp voor meer dan de helft open. Dit is de reden waarom “er goed uitzien” bij een standaardtest niet genoeg is.

Waarom standaardtests “blind” kunnen zijn”

Al lang tijd gebruikten artsen “stresstests.” Misschien heb je zo’n test wel eens gedaan. Je loopt op een loopband terwijl een apparaat je hart in de gaten houdt. Als je hartvaten voor 90% verstopt zijn, krijgt je hart niet genoeg bloed tijdens het hardlopen, en dat zal uit de test blijken. Maar als je die “vettige blaasjes” hebt die slechts 30% van de slagader in beslag nemen, stroomt het bloed nog steeds prima terwijl je rent. De inspanningstest zal aangeven dat je “normaal” bent, ook al heb je een verborgen gevaar dat op elk moment kan toeslaan.

Een andere veelvoorkomende test is een Calciumscore. Deze test zoekt naar harde kalk in uw hartbuizen. Kalk is als een “litteken”. Het toont aan dat er in het verleden schade is geweest die nu hard is geworden als bot. Hoewel het nuttig is om uw kalkscore te weten, is het alsof u kijkt naar een litteken op uw knie van tien jaar geleden. Het vertelt u dat u gewond bent geweest, maar het vertelt u niet of u op dit moment een verse, bloedende wond hebt.

In het hart wordt “vet” (niet-verkalkte plaque) is het nieuwe gevaar. Iemand kan een Calsiumscore van nul hebben en toch een hart vol zacht, gevaarlijk vet hebben. Dit is hoe de nieuwe AI-methode zich verhoudt tot de oude methoden:

Kenmerk van het hart Traditionele tests (zoals een calciumscore) De Nieuwe AI-manier (AI-QCT)
Harde (verkalkte) littekens Zeer gemakkelijk te zien Zeer gemakkelijk te zien
Zachte “vette” blaren Ik kan het helemaal niet zien Zeer helder en goed te zien
Risicovol vet Blind voor dit gevaar Vindt het erg gemakkelijk
Totaalbedrag van Plak Slechts een ruwe schatting Nauwkeurige meting (mm³)
Risicovoorspelling Algemene gok Zeer nauwkeurig en persoonlijk

AI-QCT: De nieuwe “supervisie” van je hart”

Om dit op te lossen, hebben wetenschappers een hulpmiddel gemaakt dat AI-QCT. Dat is een grote naam, maar beschouw het als een “digitale vergrootglas”.”

Wanneer een menselijke arts naar een hartscan kijkt, bekijkt hij of zij de beelden met eigen ogen. Zelfs de beste artsen kunnen kleine dingen over het hoofd zien. AI-QCT gebruikt kunstmatige intelligentie om de beelden veel nauwkeuriger te bekijken. De AI kijkt niet alleen naar het hele beeld; het kijkt naar “voxels.” Een voxel is als een 3D-pixel. Stel je een heel, heel klein kubusje voor. De AI bekijkt elk klein kubusje in je hartvaten.

De AI maakt gebruik van “deep learning”. Dit betekent dat de computer naar duizenden en duizenden andere hartscans heeft gekeken. Hij heeft geleerd patronen te herkennen die het menselijk oog eenvoudigweg niet kan waarnemen. Hij kan het verschil zien tussen “veilig” hard calcium en “gevaarlijk” zacht vet door te kijken naar de schaduwen en kleuren in de scandata. Het is niet-invasief, wat betekent dat niemand slangetjes of draden in je hoeft te brengen om dit te bekijken. De AI “ziet” dit door gebruik te maken van de gegevens van een reguliere CT-scan.

Gegevens omzetten in een routekaart: De kracht van meten

De grootste kracht van AI is dat het dingen kan “kwantificeren”. Dit betekent dat het ons een concreet getal geeft. In plaats van dat een arts zegt: “U heeft een beetje plaque,” kan de AI zeggen: “U heeft precies 154 kubieke millimeter (mm³) plaque.”

Waarom doet dit ertoe? Omdat je niet kunt repareren wat je niet kunt meten.

Wanneer een arts precies weet hoeveel “vet” er in je hart zit, kan hij of dit een beter plan maken. Dit is bewezen in grote medische studies:

  • De CONFIRM2-register: Deze studie bekeek duizenden mensen. Het toonde aan dat wanneer AI de plaque metette, artsen veel beter werden in het voorspellen van de toekomst. Hun vermogen om een hartprobleem te voorspellen (de zogenaamde AUC) steeg van 0,62 naar een veel hogere 0,75.
  • De PROMISE-studie: In dit onderzoek heeft de AI scans geanalyseerd en de resultaten aangepast. Bij 41% van de vernauwingen (stenosen) heeft de AI deze “herclassificeerd”. Dit betekent dat de AI vaststelde dat de oude manier van kijken bij 4 op de 10 mensen onjuist was.
  • De CREDENCE-onderzoek: Dit toonde aan dat de AI net zo goed was als dure, invasieve tests waarbij artsen slangetjes in het hart inbrengen.
  • De CERTAIN-studie: Uit dit onderzoek bleek dat het gebruik van AI artsen veel meer “zekerheid” gaf over wat te doen. Het hielp hen om de juiste medicijnen voor te schrijven en onnodige tests te vermijden.

Dit leidt tot iets dat “treat-to-target” wordt genoemd. Het is als een gps voor je hart. Als je 154 mm³ aan plaque hebt, start je een plan met voeding, beweging en medicijnen. Een jaar later krijg je een nieuwe scan. Als de AI zegt dat je nu 110 mm³ hebt, weet je dat je plan werkt! Je kunt het “vet” daadwerkelijk zien krimpen. Dit geeft patiënten een enorm gevoel van opluchting en hoop.

The Next Level: Fotonenellende CT

Technologie zet een nieuwe reuzensprong met iets dat “Photon-Counting CT” (PCCT) wordt genoemd. Vroeger waren CT-scanners net oude beeldbuistelevisies. De beelden waren een beetje wazig. Een groot probleem was “calcium blooming”. Dit is te vergelijken met de verblindende “schittering” van een zaklamp. Als je een hard stukje calcium had, straalde dat zo fel op de foto dat het het zachte vet dat er vlak naast zat, verborg.

De nieuwe fotoneltellende machines zetten licht direct om in elektriciteit. Dit maakt het beeld een stuk helderder. Het is alsof je overgaat van een oude televisie naar een gloednieuw high-definition scherm.

Deze nieuwe hardware lost vele problemen op:

  1. Geen schittering meer: Het stopt de “calciumuitbloei.” De AI kan nu door de harde “littekens” heen kijken om het verborgen vet te vinden.
  2. Duidelijkere foto's: Het verwijdert “ruis” of waas uit de afbeelding.
  3. Beter voor Meer Mensen: In het verleden, als een persoon een zeer snelle hartslag of zwaarder wogen, de foto's waren te wazig om te gebruiken. Deze nieuwe machines kunnen vrijwel overal helder doorheen kijken.

Conclusie: Een toekomst waarin hartaanvallen optioneel zijn

We gaan een nieuw tijdperk tegemoet. In het verleden was hartzorg “episodisch”. Dit betekent dat je je hart maar af en toe controleerde, of alleen als je pijn in je borst voelde. Dat is alsof je pas op je gps kijkt nadat je al verdwaald bent.

Nu gaan we over op “longitudinale” monitoring. Dit betekent dat we de ziekte in de loop van de tijd volgen, alsof je naar een kaart kijkt terwijl je rijdt. We kunnen de allereerste tekenen van roest in de leidingen zien jaren voordat ze barsten. We staan voor een grote uitdaging als wereld:

“Aangezien hart- en vaatziekten wereldwijd de belangrijkste doodsoorzaak blijven, met naar verwachting meer dan 20 miljoen sterfgevallen per jaar tegen 2030, zijn verbeterde methoden om coronaire atherosclerose met een hoog risico te identificeren voordat klinische gebeurtenissen optreden steeds noodzakelijker.”

Met AI en nieuwe scanners zou een groot deel van die sterfgevallen kunnen worden voorkomen. We hoeven niet langer te raden of iemand gezond is. We kunnen de waarheid zien. We kunnen zien of het medicijn werkt. We kunnen de toekomst zien.

Als je vandaag de toekomst van je hart zou kunnen zien, zou je dan je manier van leven morgen aanpassen? Dankzij AI hebben we eindelijk de mogelijkheid om die toekomst te zien – en de mogelijkheid om die ten goede te veranderen.

Medische disclaimer: Dit artikel is uitsluitend bedoeld voor educatieve doeleinden en is geen medisch advies. Raadpleeg altijd uw behandelend arts voor persoonlijk advies. Curing Heart Disease, LLC is een geregistreerde bedrijfsnaam en impliceert niet de diagnose, behandeling, genezing of preventie van enige ziekte. Informatie is uitsluitend educatief en geen medisch advies. Het gebruik van deze informatie is op eigen risico. Vraag altijd het advies van uw arts als u vragen heeft over een medische aandoening.

Diepe duik

De Technologische Renaissance in de Preventieve Cardiologie – Kunstmatige Intelligentie, Kwantitatieve Coronaire Tomografie

Inleiding

De cardiovasculaire geneeskunde ondergaat een ingrijpende paradigmaverschuiving: er vindt een verschuiving plaats van een overwegend reactief, op symptomen gebaseerd model naar een preventief kader dat is gebaseerd op vroege opsporing en geïndividualiseerde risicobeoordeling. Centraal in deze transitie staat de integratie van kunstmatige intelligentie (AI) met coronaire computertomografie angiografie (CCTA), met name door de ontwikkeling van aderverkalking beeldvorming–kwantitatieve computertomografie (AI-QCT). Deze benadering adresseert een al lang bestaande beperking in de cardiologie: het onvermogen van traditionele diagnostische hulpmiddelen om betrouwbaar niet-obstructieve, lipiderijke kransslagaders te detecteren tandplak, ondanks zulke laesies verantwoordelijk zijn voor het grootste deel van acute coronaire syndromen en plotselinge hartdood evenementen (1).

De klinische relevantie van deze beperking is aanzienlijk. Uit epidemiologische en pathologische onderzoeken blijkt keer op keer dat de meeste myocardinfarcten ontstaan uit plaques die vóór de ruptuur de doorstroming niet beperkten (2). Zoals hart- en vaatziekten blijft de belangrijkste doodsoorzaak wereldwijd, waarbij wordt verwacht dat het aantal sterfgevallen per jaar tegen 2030 de 20 miljoen zal overschrijden, zijn verbeterde methoden om hoogrisico coronaire atherosclerose te identificeren voordat klinische gebeurtenissen optreden steeds noodzakelijker (3).

 

Evolutie van CardIale Risicostratificatie en de Biologie van Atherosclerose

Traditionele cardiovasculaire risicostratificatie is afhankelijk van indirecte merkers zoals serumlipidenwaarden, bloeddruk, glycemische controle, roken status en demografische variabelen opgenomen in populatiegebaseerde risicocalculators. Hoewel deze modellen op populatieniveau hun nut hebben bewezen, schieten ze vaak tekort in nauwkeurigheid wanneer ze worden toegepast op individuele patiënten, met name bij patiënten die ogenschijnlijk “normaal” zijn” risicofactor patiënten die niettemin een aanzienlijke subklinische aandoening hebben (4).

Atherosclerose is een chronische ontstekingsziekte van de vaatwand in plaats van een aandoening die uitsluitend wordt gekenmerkt door luminale obstructie. Plaque ontwikkelt zich in de intima en bestaat uit wisselende verhoudingen van lipiden, weeëweefsel, ontstekingscellen en calcium. Conventionele diagnostische tests — waaronder inspannings-ecg's, elektrocardiografie en invasieve coronairangiografie — detecteren de ziekte voornamelijk zodra deze optreedt hemodynamisch significante stenose, doorgaans gedefinieerd als een vernauwing van het luminaal van 70% of meer (5).

Inzicht 1: Uit autopsie- en angiografisch onderzoek blijkt dat ongeveer 70–75% van de hartinfarcten zich voordoet in bloedvaten met een diameter van minder dan 50% stenose vóór de indexgebeurtenis, wat erop wijst dat de meeste patiënten met acute coronaire syndromen niet als hoogrisicopatiënten zouden zijn aangemerkt op basis van alleen standaard inspanningstesten (2).

Inzicht 2: kransslagader- slagader calcium scoring (CACS) was developed to improve detection of subclinical disease by identifying verkalkte plaque. However, CACS does not detect niet-verkalkte plaque, and a calciumscore of zero does not exclude the presence of lipid-rich, rupture-prone lesions (6).

Insight 3: AI-QCT enables non-invasive quantification of total coronary plaquebelasting, inclusief low-density non-calcified plaque, which has been shown to carry a higher association with future cardiovascular events than stenosis severity alone (7).

Plaque-kenmerk Visibility (CACS) Visibility (Standard CCTA) Visibility (AI-QCT) Clinical Risk Profile
Verkalkte plaque Hoog Hoog Hoog Generally stable; marker of chronic disease
Niet-verkalkte plaque None Qualitative / limited Quantitative / high Elevated rupture risk
Low-density plaque None Variabele Hoog Strong association with ACS
Totaal plaquevolume None Indirect estimate Precise (mm³) Strong predictor of future events

Technical Architecture of AI-Enabled Coronary Analysis

AI-QCT platforms perform voxel-level analysis of the coronary tree rather than relying on visual interpretation alone. These systems employ deep-learning architectures—including convolutional neural networks (CNNs), three-dimensional U-Net segmentation models, and VGG-derived classifiers—trained on large, curated datasets that link imaging features with invasive validation and long-term clinical outcomes (8).

Insight 4: AI-QCT begins with acquisition of high-resolution CCTA. Contemporary multi-detector CT systems, including 64- and 640-slice scanners, provide the temporal and ruimtelijke resolutie necessary to minimize motion artifact and enable accurate segmentation of coronary anatomy (5).

Insight 5: Automated algorithms identify the coronary lumen and vessel wall and classify plaque components according to Hounsfield unit attenuation values, allowing differentiation of lipid-rich, fibrous, and calcified tissue (9).

Insight 6: AI-derived ischemie indices integrate plaque morphology, lesion length, vessel remodeling, and luminal geometry to estimate flow limitation, providing a non-invasive correlate of invasive fractionale stromingsreserve (FFR) (10).

Clinical Validation and Peer-Reviewed Evidence

AI-QCT has been evaluated in multiple prospective trials, registries, and comparative studies published in leading cardiovascular and imaging journals, including Journal of the American College of Cardiology, Circulation: Cardiovascular Imaging, en European Heart Journal – Cardiovascular Imaging (11).

Landmark Trials and Registries

Insight 7: De CREDENCE trial demonstrated close agreement between AI-assisted CCTA analysis and invasive kwantitatieve coronaire angiografie and FFR, supporting the diagnostic accuracy of AI-QCT for identifying hemodynamically significant disease (12).

Insight 8: De CONFIRM2-register, encompassing tens of thousands of patients across multiple countries, showed that AI-quantified plaque features identify a wide gradient of cardiovascular risk among patients with non-obstructive kransslagaderziekte (7).

Insight 9: De BEPAALDE studie demonstrated that AI-QCT significantly improved diagnostic certainty compared with standard interpretation, resulting in more appropriate medical therapy and fewer unnecessary downstream tests (1).

Studie N Belangrijkste bevinding P-value Clinical Implication
CONFIRM2 6,550 AUC for MACE improved from 0.62 to 0.75 <0.001 Improved prognostic accuracy
CREDENCE 513 High concordance with invasive FFR <0.01 Viable non-invasive ischemia assessment
PACIFIC-1 208 AI exceeded expert readers <0.05 Reduced inter-observer variability
PROMISE (subset) 4,347 41% stenoses reclassified Reduced false positives

Preventive Cardiology Implementation and Longitudinal Disease Monitoring

Integration of AI-QCT into preventive cardiology workflows shifts the clinical focus from episodic evaluation toward longitudinal monitoring of atherosclerotic disease.

Insight 10: Quantification of total plaque burden enables objective assessment of disease progression or regression over time, facilitating a treat-to-target approach guided by serial imaging (7).

Insight 11: AI-based comparison tools permit evaluation of changes in plaque composition, including stabilization or regression of lipiderijke plaque in response to medical therapy (13).

Hardware Advances: Photon-Counting Computed Tomography

The performance of AI-QCT is dependent on the quality of input imaging data, which continues to improve with advances in CT hardware.

Insight 12: Foton-teldende CT systems directly convert X-ray photons into electrical signals, reducing electronic noise and calcium blooming artifacts compared with conventional energy-integrating detectors (14).

Insight 13: PCCT provides higher spatial resolution with lower radiation and contrast dose, expanding eligibility for coronary CT imaging to patients with high hartfrequenties, elevated body-massindex, or extensive coronary verkalking (15).

Economic and Health System Implications

The adoption of AI-enabled cardiac imaging aligns with broader healthcare trends toward value-based care and prevention.

Insight 14: Market analyses project rapid growth of AI applications in cardiology, driven by improved diagnostic efficiency and potential reductions in downstream costs associated with acute coronary events (16).

Insight 15: Early identification of high-risk plaque phenotypes may reduce myocardial infarction rates and associated healthcare expenditures by enabling earlier and more targeted intervention (17).

Conclusions and Future Directions

Preventive cardiology is increasingly transitioning toward a biologically informed model that emphasizes plaque burden and composition rather than stenosis severity alone. AI-QCT provides a reproducible, quantitative framework for assessing coronary atherosclerosis before clinical events occur.

Insight 16: Future developments are likely to include integration of agentic AI systems, longitudinal digital heart models, and multimodal data streams incorporating genomic and metabolic information (18).

Insight 17: As AI assumes a greater role in image interpretation and quantification, clinicians may increasingly focus on higher-level clinical decision-making, risk communication, and individualized therapy optimization (19).

Referenties

  1. Nurmohamed NS, Cole JH, Budoff MJ, et al. Impact of atherosclerosis imaging-quantitative computed tomography on diagnostic certainty, downstream testing, coronary revascularization, and medical therapy: the CERTAIN study. Eur Heart J Cardiovasc Imaging. 2024;25(6):857-866. doi:10.1093/ehjci/jeae029
  2. Falk E, Shah PK, Fuster V. Coronary plaque disruption. Circulation. 1995;92(3):657-671. doi:10.1161/01.cir.92.3.657
  3. Global Burden of Cardiovascular Diseases and Risks 2023 Collaborators. Global, Regional, and National Burden of Cardiovascular Diseases and Risk Factors in 204 Countries and Territories, 1990-2023. J Am Coll Cardiol. 2025;86(22):2167-2243. doi:10.1016/j.jacc.2025.08.015
  4. Lloyd-Jones DM. Cardiovascular risk prediction: basic concepts, current status, and future directions. Circulation. 2010;121(15):1768-1777. doi:10.1161/CIRCULATIONAHA.109.849166
  5. Douglas PS, Hoffmann U, Patel MR, et al. Outcomes of anatomical versus functional testing for coronary artery disease. N Engl J Med. 2015;372(14):1291-1300. doi:10.1056/NEJMoa1415516
  6. Greenland P, Blaha MJ, Budoff MJ, Erbel R, Watson KE. Coronary Calcium Score and Cardiovascular Risk. J Am Coll Cardiol. 2018;72(4):434-447. doi:10.1016/j.jacc.2018.05.027
  7. Feuchtner GM, Lacaita PG, Bax JJ, et al. AI-Quantitative CT Coronary Plaque Features Associate With a Higher Relative Risk in Women: CONFIRM2 Registry. Circ Cardiovasc Imaging. 2025;18(6):e018235. doi:10.1161/CIRCIMAGING.125.018235
  8. Oikonomou EK, Khera R. Machine learning in precision diabetes care and cardiovascular risk prediction. Cardiovasc Diabetol. 2023;22(1):259. Published 2023 Sep 25. doi:10.1186/s12933-023-01985-3
  9. Koo BK, Yang S, Jung JW, et al. Artificial Intelligence-Enabled Quantitative Coronary Plaque and Hemodynamic Analysis for Predicting Acute Coronary Syndrome. JACC Cardiovasc Imaging. 2024;17(9):1062-1076. doi:10.1016/j.jcmg.2024.03.015
  10. Nørgaard BL, Leipsic J, Gaur S, et al. Diagnostic performance of noninvasive fractional flow reserve derived from coronary computed tomography angiography in suspected coronary artery disease: the NXT trial (Analysis of Coronary Blood Flow Using CT Angiography: Next Steps). J Am Coll Cardiol. 2014;63(12):1145-1155. doi:10.1016/j.jacc.2013.11.043
  11. Beerkens FJ, Tang GHL, Kini AS, et al. Transcatheter Aortic Valve Replacement Beyond Severe Aortic Stenosis: JACC State-of-the-Art Review. J Am Coll Cardiol. 2025;85(9):944-964. doi:10.1016/j.jacc.2024.11.051
  12. Griffin WF, Choi AD, Riess JS, et al. AI Evaluation of Stenosis on Coronary CTA, Comparison With Quantitative Coronary Angiography and Fractional Flow Reserve: A CREDENCE Trial Substudy. JACC Cardiovasc Imaging. 2023;16(2):193-205. doi:10.1016/j.jcmg.2021.10.020
  13. Zaman S, Wasfy JH, Kapil V, et al. The Lancet Commission on rethinking coronary artery disease: moving from ischaemia to atheroma. Lancet. 2025;405(10486):1264-1312. doi:10.1016/S0140-6736(25)00055-8
  14. Willemink MJ, Persson M, Pourmorteza A, Pelc NJ, Fleischmann D. Photon-counting CT: Technical Principles and Clinical Prospects. Radiology. 2018;289(2):293-312. doi:10.1148/radiol.2018172656
  15. Schiebler ML, Jinzaki M, Yanagawa M, et al. Future Applications of Cardiothoracic CT. Radiology. 2025;315(3):e240085. doi:10.1148/radiol.240085
  16. Windecker S, Gilard M, Achenbach S, et al. Device innovation in cardiovascular medicine: a report from the European Society of Cardiology Cardiovascular Round Table. Eur Heart J. 2024;45(13):1104-1115. doi:10.1093/eurheartj/ehae069
  17. Undas A, Musiał J, Ząbczyk M. Antiphospholipid antibodies and atherosclerotic vascular disease: recent advances. Rheumatol Int. 2025;45(12):279. Published 2025 Nov 29. doi:10.1007/s00296-025-06050-8
  18. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56. doi:10.1038/s41591-018-0300-7
  19. Shetty NS, Gaonkar M, Pampana A, et al. Association of Pathogenic/Likely Pathogenic Inherited Cardiomyopathy Variants With Heart Failure: A TOPMed Multiancestry Analysis. Mayo Clin Proc. 2025;100(11):1948-1955. doi:10.1016/j.mayocp.2025.01.021

Transparantienotitie: Dit blogbericht is gemaakt met behulp van AI-tools. De uiteindelijke inhoud is zorgvuldig beoordeeld en bewerkt door de auteur, die verantwoordelijk is voor de juistheid ervan. De verstrekte informatie is uitsluitend voor educatieve doeleinden en vormt geen medisch advies.

AI-app

Hartrisicocalculator

Educatieve familiële hartrisicocalculator met H-score-inzichten, visuele stamboominvoer en deelbare pdf-rapporten.

Lees hier waarom deze app zo belangrijk is.