Wyjaśnialne podejście multimodalne do ujawniania kluczowych predyktorów ryzyka udaru z sygnałów EKG, EMG, ciśnienia krwi i oddechowych

Dlaczego sygnały oddechowe i sercowe mają znaczenie dla udaru

Udar pojawia się nagle, ale zwykle rozwija się cicho przez lata. Lekarze wiedzą, że wysokie ciśnienie krwi, zaburzenia rytmu serca i styl życia zwiększają ryzyko, jednak przewidywanie, kto jest naprawdę zagrożony, pozostaje trudne. To badanie pokazuje, że sposób, w jaki oddychamy – a zwłaszcza jak organizm radzi sobie z dwutlenkiem węgla – zawiera ukryte wskazówki dotyczące ryzyka udaru. Łącząc sygnały oddechowe, sercowe, mięśniowe i ciśnienia krwi w wyjaśnialnym modelu sztucznej inteligencji, autorzy ujawniają nowe sposoby identyfikacji pacjentów wysokiego ryzyka i pomagają klinicystom zrozumieć, dlaczego algorytm wydaje taką decyzję.

Słuchanie cichych sygnałów ciała

Zamiast stosować badania mózgu, które są drogie i nie nadają się do ciągłego monitorowania, badacze sięgnęli po proste pomiary elektryczne i ciśnieniowe wykonane u 64 ochotników, z których niektórzy przebyli udar niedokrwienny, a niektórzy nie. Zarejestrowali siedem sygnałów podczas siedzenia i po wstaniu: aktywność serca (dwa kanały EKG), aktywność mięśni nóg (dwa kanały EMG), ciśnienie krwi z mankietu na palcu oraz dwa sygnały oddechowe przy ustach – dwutlenek węgla w wydychanym powietrzu i tempo przepływu powietrza. Te pomiary są podobne do tych, które można zebrać za pomocą monitorów przyłóżkowych w szpitalu lub zaawansowanych urządzeń noszonych, co sprawia, że podejście jest potencjalnie praktyczne dla rutynowych badań kontrolnych.

Przekształcanie surowych fal w wzorce czytelne dla komputera

Zespół podzielił 10‑minutowe nagranie każdej osoby na wiele nakładających się 14‑sekundowych kawałków, wystarczająco długich, aby uchwycić kilka oddechów i powtarzające się uderzenia serca. Dla każdego wycinka obliczono szeroki zakres prostych opisowych miar liczbowych – średnie, zmienność, jak często sygnały przechodziły przez zero oraz jak energia sygnałów rozkładała się w różnych częstotliwościach. Te cechy podsumowują „styl” każdego sygnału bez przechowywania pełnych przebiegów, zmniejszając koszty obliczeniowe i wpływ szumu. Wszystkie cechy z siedmiu sygnałów zostały następnie połączone, aby reprezentować pojedynczą próbkę zachowania organizmu danej osoby w tym krótkim okresie.

Prosty model inspirowany mózgiem, który przewyższa głębsze sieci

Zamiast używać głębokiej, skomplikowanej sieci neuronowej, autorzy wybrali bardzo prosty model: perceptron jednokierunkowy. Model ten przyjmuje wszystkie cechy liczbowe, mnoży każdą przez wyuczoną wagę, sumuje je i przepuszcza wynik przez funkcję ściskającą, aby otrzymać prawdopodobieństwo „udaru” lub „braku udaru”. Pomimo prostoty model osiągnął dokładność około 85–88 procent, przewyższając bardziej wyrafinowane metody, takie jak rekurencyjne i splotowe sieci neuronowe, zespołowe echo state networks oraz popularne klasyfikatory uczenia maszynowego, gdy wszystkie zostały przetestowane na tych samych danych. Co istotne, po usunięciu sygnałów oddechowych (dwutlenku węgla i przepływu powietrza) dokładność spadła do około 59 procent — istotny statystycznie spadek, pokazujący, że dane oddechowe dostarczają krytycznych informacji, których inne sygnały same w sobie nie uchwycą.

Otwieranie czarnej skrzynki: które sygnały naprawdę się liczą

Lekarze słusznie obawiają się sztucznej inteligencji działającej jak czarna skrzynka, więc zespół użył trzech narzędzi wyjaśniających – SHAP, LIME i Anchors – by zobaczyć, na których cechach model polega najbardziej. Wszystkie trzy wskazały na cechy oddechowe, zwłaszcza te pochodzące z pomiarów dwutlenku węgla, jako kluczowe dla predykcji. SHAP, wyjaśniacz oparty na teorii gier, uszeregował średni poziom wydychanego dwutlenku węgla, jego zmienność oraz średnie ciśnienie krwi jako trzy najważniejsze wkłady decydujące o tym, czy próbka wyglądała jak pochodząca od pacjenta po udarze. Wysoki średni dwutlenek węgla i wysokie ciśnienie krwi miały tendencję do przesuwania modelu w stronę „udaru”, podczas gdy bardziej nieregularne wzory dwutlenku węgla sugerowały niższe ryzyko. Aby ocenić, któremu wyjaśniaczowi można najbardziej zaufać, autorzy zastosowali specjalny test: usunięcie najwyżej wymienionych cech przez każdą metodę i sprawdzenie, jak bardzo pogarsza się wydajność modelu. Usunięcie cech wskazanych przez SHAP spowodowało największy spadek, co przyznało mu tytuł najbardziej wiarygodnego interpretatora.

Co to oznacza dla pacjentów i klinicystów

Dla laików wniosek jest prosty: sposób, w jaki oddychasz i usuwasz dwutlenek węgla, może być równie wymowny dla ryzyka udaru jak twoje ciśnienie krwi czy rytm serca. Praca ta sugeruje, że rutynowe monitory rejestrujące gazy oddechowe, ciśnienie krwi, sygnały sercowe i mięśniowe mogłyby być połączone z prostą, przejrzystą sztuczną inteligencją, aby wykrywać osoby, które wymagają bliższej uwagi na długo przed wystąpieniem udaru. Ponieważ model jest zarówno dokładny, jak i wyjaśnialny, klinicyści mogą zobaczyć, które aspekty fizjologii pacjenta napędzają ocenę ryzyka, co wspiera zaufanie i ukierunkowane leczenie. Nadal potrzebne są większe badania, ale wyniki podkreślają miary oddechowe związane z dwutlenkiem węgla jako obiecujące nowe markery w zapobieganiu udarom.

Cytowanie: Krayem, J., Wong, L., Tham, L.K. et al. Explainable multi-modal approach for uncovering key predictors of stroke-risk from ECG, EMG, blood pressure, and respiratory signals. Sci Rep 16, 6906 (2026). https://doi.org/10.1038/s41598-026-37777-4

Słowa kluczowe: ryzyko udaru, sygnały oddechowe, dwutlenek węgla, wyjaśnialna sztuczna inteligencja, EKG i ciśnienie krwi