Een fijnmazige transformer gecombineerd met multimodale gegevens om de ziekenhuisverblijfsduur bij acuut coronair syndroom te voorspellen

Waarom de duur van het ziekenhuisverblijf ertoe doet

Voor mensen die met pijn op de borst of een hartinfarct met spoed naar het ziekenhuis worden gebracht, is hoe lang ze moeten blijven meer dan nieuwsgierigheid. Het beïnvloedt hoe snel ze een bed krijgen, hoe snel anderen kunnen worden opgenomen, hoeveel verpleegkundigen per dienst nodig zijn en zelfs welke kosten gezinnen krijgen. Deze studie introduceert een nieuw systeem voor kunstmatige intelligentie dat de ziekenhuisverblijfsduur bij patiënten met acuut coronair syndroom—gevaarlijke hartaandoeningen veroorzaakt door verstopte kransslagaders—inschat door niet alleen medische dossiers te gebruiken maar ook direct gedetailleerde hartbeelden te analyseren.

Binnenin verstopte kransslagaders kijken

Artsen gebruiken al computertomografie (CT)-scans om de bloedvaten van het hart te bekijken en vernauwingen of afsluitingen op te sporen die acuut coronair syndroom kunnen veroorzaken. Deze vaten zijn lange, vertakkende buizen, en kleine aangetaste segmenten kunnen slechts een klein deel van elk beeld innemen. Traditionele computermodellen vereenvoudigen zulke scans vaak tot brede metingen, waardoor fijne details over waar en hoe ernstig een vat is beschadigd verloren kunnen gaan. De nieuwe benadering, FRAME genoemd, behandelt de CT-beelden veel zorgvuldiger en heeft tot doel subtiele veranderingen in vaatvorm vast te leggen die aangeven hoe ziek een patiënt is—en hoe lang hij mogelijk ziekenhuiszorg nodig heeft.

De computer leren vaatvormen te lezen

De onderzoekers bedachten eerst een manier waarop de computer zichzelf kan leren wat gezonde en zieke vaten zijn, zonder dat een mens elk beeld hoeft te labelen. Ze pasten elke CT-afbeelding voorzichtig aan met veilige helderheids- en vormaanpassingen die de werkelijke laesiegebieden nooit wissen. Door de originele en gewijzigde versies van dezelfde scan te vergelijken, leerde het systeem welke kenmerken constant moeten blijven en welke mogen veranderen wanneer de afbeelding wordt getransformeerd. Deze "self-supervised" training hielp het model zich te concentreren op de echte driedimensionale patronen van de vaten—zoals bochten, vernauwingen en onregelmatige wanden—in plaats van afgeleid te worden door ruis of irrelevante achtergrondstructuren.

Inzoomen op kleine probleemgebieden

Na deze training analyseert FRAME nieuwe CT-scans in kleine tegels, of patchen, in plaats van elke afbeelding als één blok te behandelen. Een aandachtmechanisme weegt elke patch en benadrukt diegene die het meest met ziekte lijken samen te hangen, waardoor effectief wordt ingezoomd op smalle, aangetaste vaatregio’s terwijl gezonde gebieden minder gewicht krijgen. Parallel verwerkt het systeem informatie uit het elektronische medisch dossier, waaronder leeftijd, hartfrequentie, nierfunctie, ontstekingsmarkers en bloedcellenaantallen. Een fijnmazige fusiestap laat vervolgens de CT-patches en dossiergegevens elkaar beïnvloeden, met gebruik van een Transformer—hetzelfde type architectuur achter veel moderne taalmodellen—om patronen in vaatbeschadiging te koppelen aan patronen in labtesten en vitale functies.

Het model op de proef stellen

Om te controleren hoe goed FRAME werkt, paste het team het toe op gegevens van 615 patiënten die tussen 2015 en 2021 in een groot borstziekenhuis in Shanghai werden behandeld. Elke patiënt had zowel CT-beelden als gedetailleerde medische dossiers, samen met een geregistreerde ziekenhuisverblijfsduur. De onderzoekers vergeleken FRAME met 16 toonaangevende alternatieven, variërend van klassieke machine learning-formules tot geavanceerde beeldnetwerken en multimodale modellen. Over de volledige patiëntengroep en over vier bereiken van ziekenhuisverblijf—van minder dan vijf dagen tot langer dan twee weken—maakte het nieuwe systeem consequent de meest nauwkeurige voorspellingen, met fouten van ongeveer één dag gemiddeld en een zeer sterke overeenstemming tussen voorspelde en daadwerkelijke verblijfsduur.

Zien waar het model naar kijkt

Naast ruwe nauwkeurigheid onderzocht het team waar FRAME in de beelden "kijkt" en op welke kenmerken uit het medisch dossier het steunt. De gemarkeerde beeldpatches kwamen vrijwel altijd overeen met vaatsegmenten met zichtbare laesies, wat suggereert dat het model klinisch betekenisvolle patronen had geleerd die mogelijk uiteindelijk kunnen helpen bij het automatisch omlijnen van laesies voor radiologen. Onder de dossiergegevens droegen hartfrequentie, nierfunctiemarkers, urinezuur, ontstekingsproteïnen en bepaalde verhoudingen van bloedcellen het meest bij—en elk toonde een duidelijke statistische relatie met hoe lang patiënten in het ziekenhuis bleven. Dit sluit aan bij eerdere klinische onderzoeken en geeft artsen extra vertrouwen dat de redenering van het systeem medisch zinvol is.

Wat dit betekent voor patiënten en ziekenhuizen

In eenvoudige woorden toont de studie aan dat het zorgvuldig combineren van rijke hartbeelden met standaard beddijkmetingen computers in staat stelt de ziekenhuisverblijfsduur bij patiënten met acuut coronair syndroom nauwkeuriger te schatten dan bestaande hulpmiddelen. Door aandacht te besteden aan de exacte vormen van aangetaste vaten en de meest veelzeggende labuitslagen, kan FRAME ziekenhuizen helpen bij het plannen van bedden en personeel, vroegtijdig hoogrisicopatiënten signaleren en mogelijk de beeldinterpretatie voor drukbezette clinici versnellen. Hoewel de auteurs opmerken dat grotere en gevarieerdere datasets nodig zijn voordat dergelijke systemen de dagelijkse zorg sturen, laat hun werk een veelbelovende stap zien naar slimmer en efficiënter beheer van hartnoodgevallen.

Bronvermelding: 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

Trefwoorden: acuut coronair syndroom, ziekenhuisverblijfsduur, cardiale CT-beelden, medische AI, multimodale voorspelling