Ein feinabgestimmter Transformer kombiniert mit multimodalen Daten zur Vorhersage der Krankenhausverweildauer bei akutem Koronarsyndrom

Warum die Länge des Krankenhausaufenthalts wichtig ist

Für Menschen, die mit Brustschmerzen oder einem Herzinfarkt ins Krankenhaus gebracht werden, ist die Frage, wie lange sie bleiben müssen, mehr als bloße Neugier. Sie beeinflusst, wie schnell sie ein Bett bekommen, wie bald andere aufgenommen werden können, wie viele Pflegekräfte pro Schicht nötig sind und sogar welche Kosten auf Familien zukommen. Diese Studie stellt ein neues künstliches Intelligenzsystem vor, das die Krankenhausverweildauer von Patienten mit akutem Koronarsyndrom—gefährliche Herzerkrankungen, die durch verstopfte Koronararterien verursacht werden—schätzt, indem es nicht nur Krankenunterlagen, sondern auch detaillierte Herzbildgebung direkt auswertet.

Ein Blick in verstopfte Herzkranzgefäße

Ärztinnen und Ärzte nutzen bereits Computertomographie (CT)-Scans, um die Herzkranzgefäße zu betrachten und Einengungen oder Verschlüsse zu erkennen, die ein akutes Koronarsyndrom auslösen können. Diese Gefäße sind lange, verzweigte Röhren, und kleine erkrankte Abschnitte können nur einen winzigen Teil jedes Bildes einnehmen. Traditionelle Computermodelle fassen solche Scans oft in groben Messgrößen zusammen, wodurch feine Details darüber, wo und wie stark ein Gefäß geschädigt ist, übersehen werden können. Der neue Ansatz, FRAME genannt, behandelt die CT-Bilder deutlich sorgsamer und versucht, subtile Veränderungen in der Gefäßform einzufangen, die Auskunft darüber geben, wie schwer krank ein Patient ist — und wie lange er möglicherweise stationäre Versorgung benötigt.

Dem Computer das Lesen von Gefäßformen beibringen

Die Forschenden entwickelten zunächst eine Methode, mit der der Computer sich selbst beibringt, wie gesunde und erkrankte Gefäße aussehen, ohne dass ein Mensch jedes Bild beschriften muss. Sie veränderten jedes CT-Bild behutsam durch sichere Helligkeits- und Formanpassungen, die die eigentlichen Läsionsbereiche nie löschen. Indem das System die Original- und die veränderten Versionen desselben Scans vergleicht, lernte es, welche Merkmale konstant bleiben sollten und welche sich ändern dürfen, wenn das Bild transformiert wird. Dieses „self-supervised“-Training half dem Modell, sich auf die echten dreidimensionalen Muster der Gefäße—wie Krümmungen, Einengungen und unregelmäßige Wände—zu konzentrieren, statt sich von Rauschen oder irrelevantem Hintergrund ablenken zu lassen.

Hineinzoomen auf winzige Problemstellen

Nach diesem Training analysiert FRAME neue CT-Scans nicht als ein zusammenhängendes Ganzes, sondern in kleinen Kacheln oder Patches. Ein Aufmerksamkeitsmechanismus gewichtet jede Kachel und hebt jene hervor, die am ehesten mit der Erkrankung in Verbindung stehen, wodurch effektiv in enge, geschädigte Gefäßregionen hineingezoomt und gesunde Bereiche heruntergewichtet werden. Parallel dazu verarbeitet das System Informationen aus der elektronischen Patientenakte, darunter Alter, Herzfrequenz, Nierenfunktion, Entzündungsmarker und Blutbildwerte. Ein fein abgestufter Fusionsschritt lässt dann die CT-Patches und die Akteninformationen aufeinander einwirken, wobei ein Transformer—die gleiche Architektur, die vielen modernen Sprachmodellen zugrunde liegt—Muster von Gefäßschäden mit Mustern in Laborwerten und Vitalparametern verknüpft.

Das Modell auf die Probe gestellt

Um die Leistungsfähigkeit von FRAME zu prüfen, wandte das Team es auf Daten von 615 Patientinnen und Patienten an, die zwischen 2015 und 2021 in einem großen Brustzentrum in Shanghai behandelt wurden. Jeder Patient hatte sowohl CT-Bildgebung als auch detaillierte Krankenunterlagen sowie eine dokumentierte Krankenhausverweildauer. Die Forschenden verglichen FRAME mit 16 führenden Alternativen, von klassischen maschinellen Lernverfahren über fortgeschrittene Bildnetzwerke bis hin zu multimodalen Modellen. Über die gesamte Patientengruppe hinweg und über vier Bereiche der Verweildauer—von unter fünf Tagen bis länger als zwei Wochen—lieferte das neue System durchgängig die genauesten Vorhersagen, mit Fehlern von im Mittel etwa einem Tag und einer sehr starken Übereinstimmung zwischen prognostizierter und tatsächlicher Verweildauer.

Zeigen, worauf das Modell achtet

Neben der reinen Genauigkeit untersuchte das Team, wo FRAME in den Bildern „hinblickte“ und auf welche Merkmale aus den Krankenunterlagen es sich stützte. Die hervorgehobenen Bildpatches korrespondierten fast immer mit Gefäßsegmenten, die sichtbare Läsionen aufwiesen, was darauf hindeutet, dass das Modell klinisch sinnvolle Muster gelernt hat, die möglicherweise künftig die automatische Läsionskennzeichnung für Radiologen unterstützen könnten. Unter den Aktenmerkmalen hatten Herzfrequenz, Nierenfunktionsmarker, Harnsäure, Entzündungsproteine und bestimmte Blutquotienten das größte Gewicht—und jedes zeigte eine klare statistische Verbindung zur Verweildauer. Das stimmt mit früheren klinischen Studien überein und gibt Ärztinnen und Ärzten zusätzliche Sicherheit, dass die Schlussfolgerungen des Systems medizinisch plausibel sind.

Was das für Patienten und Krankenhäuser bedeutet

Kurz gesagt zeigt die Studie, dass die sorgfältige Kombination aus aussagekräftiger Herzbildgebung und standardmäßigen Bettseit-Messungen Computern ermöglicht, die Krankenhausverweildauer von Patienten mit akutem Koronarsyndrom genauer zu schätzen als bestehende Werkzeuge. Indem das System auf die exakten Formen erkrankter Gefäße und die aufschlussreichsten Laborwerte achtet, könnte FRAME Krankenhäusern helfen, Betten und Personal besser zu planen, gefährdete Patienten früher zu identifizieren und die Bildbefundung für stark belastete Kliniker zu beschleunigen. Die Autoren betonen zwar, dass größere und vielfältigere Datensätze nötig sind, bevor solche Systeme die tägliche Versorgung lenken, doch ihre Arbeit zeigt einen vielversprechenden Schritt hin zu intelligenterem, effizienterem Management von Herznotfällen.

Zitation: You, L., Cen, X. & Wang, S. A fine-grained transformer combined with multimodal data for predicting hospital length of stay in acute coronary syndrome. Sci Rep 16, 11465 (2026). https://doi.org/10.1038/s41598-026-41279-8

Schlüsselwörter: akutes Koronarsyndrom, Krankenhausverweildauer, kardiale CT-Bildgebung, medizinische KI, multimodale Vorhersage