Badanie nad stworzeniem bazy danych interwencji sercowo-naczyniowych i prognozowaniem ryzyka śmiertelności pooperacyjnej

Dlaczego to ma znaczenie dla pacjentów i rodzin

Zabiegi kardiologiczne mogą ratować życie, ale wiążą się też z realnym ryzykiem, zwłaszcza u osób starszych i chorujących. Jedno z najważniejszych pytań po interwencji brzmi: „Jakie są szanse, że ja lub mój bliski umrze w ciągu kilku miesięcy po operacji?” Badanie pokazuje, jak starannie zorganizowane dane szpitalne i nowoczesny model sztucznej inteligencji (AI) mogą pomóc lekarzom dokładniej oszacować to ryzyko, aby mogli baczniej obserwować pacjentów najbardziej narażonych i wcześnie reagować, gdy pojawiają się niepokojące sygnały.

Z rozproszonych dokumentów do pełnej historii pacjenta

Tradycyjnie informacje o pacjentach kardiologicznych są rozrzucone po wielu systemach szpitalnych — wyniki badań laboratoryjnych w jednym miejscu, obrazowanie w innym, a notatki kontrolne gdzie indziej. Wiele z tych danych to tekst wolny i brak im standaryzacji, co utrudnia komputerom, a często i lekarzom, uzyskanie pełnego obrazu. Naukowcy rozwiązali to, budując dedykowaną bazę danych interwencji sercowo-naczyniowych w dużym szpitalu w prowincji Zhejiang w Chinach. W ciągu roku zebrali szczegółowe, ustrukturyzowane dane od 728 pacjentów poddanych małoinwazyjnym zabiegom kardiologicznym, a ostatecznie skupili się na 638 przypadkach z kompletną informacją od przyjęcia do sześciu miesięcy po zabiegu. Ten „pełny cykl” odzwierciedla, kim byli pacjenci, co działo się przed i w trakcie zabiegu oraz jak przebiegała ich rekonwalescencja.

Co trafia do bazy ryzyka sercowego

Baza agreguje informacje z wielu szpitalnych systemów, takich jak elektroniczna dokumentacja medyczna, systemy laboratoryjne, platformy obrazowania i poradnie kontrolne. Zespół pogrupował dane w cztery główne bloki: podstawowe dane pacjenta i wywiad chorobowy; badania i skany wykonane przed zabiegiem; co faktycznie miało miejsce podczas procedury; oraz wskaźniki z kontroli pooperacyjnych, jak parametry życiowe, badania krwi i oceny zdolności do codziennego funkcjonowania. Następnie oczyścili dane — usunęli pola z nadmierną liczbą braków, sensownie wypełnili małe luki i przekształcili kategorie tekstowe (np. palacz/niepalacz, krwawienie/bez krwawienia) na kody numeryczne, które komputery mogą analizować. Podsumowali też wiele współistniejących schorzeń jednym wynikiem komorbidności, co ułatwia odzwierciedlenie ogólnego obciążenia chorobowego pacjenta.

Nauczanie modelu AI, by wcześnie dostrzegał ostrzegawcze sygnały

Mając uporządkowane dane, badacze postawili konkretne pytanie: na podstawie tych informacji, czy można przewidzieć, kto umrze w ciągu sześciu miesięcy po zabiegu? Tylko 41 z 638 pacjentów zmarło w tym okresie, co czyni problem predykcji wyjątkowo trudnym — jest znacznie więcej przeżywających niż zgonów, a wiele modeli ma tendencję do przeoczenia rzadkich, lecz krytycznych przypadków wysokiego ryzyka. Zespół najpierw zastosował metodę selekcji cech, wybierając 30 najbardziej informacyjnych zmiennych obejmujących całą ścieżkę pacjenta. Były wśród nich takie czynniki jak wiek, indeks masy ciała, obciążenie komorbidnościami, wyniki wybranych badań krwi, szczegóły operacyjne jak czas pozostawania przyrządów oraz wskaźniki z kontroli, np. funkcja nerek i wątroby oraz zdolność do wykonywania codziennych czynności.

Hybrydowy silnik AI zaprojektowany dla szybkości i dokładności

Aby analizować dane zależne od czasu, badacze zaprojektowali model hybrydowy łączący dwie techniki AI. Pierwsza, znana jako sieć typu long short-term memory (LSTM), dobrze wychwytuje wzorce w czasie — na przykład zmiany wartości laboratoryjnych przed i po zabiegu — ale użyta samodzielnie może być wolna i podatna na przeuczenie. Druga, nazywana broad learning system, szybko buduje połączenia między cechami bez ciężkiego strojenia wag typowego dla głębokich sieci. W ich rozwiązaniu dane z cyklu życia pacjenta najpierw przechodzą przez część uwzględniającą aspekt czasowy, potem przez krok regularizujący redukujący przeuczenie, a na końcu przez warstwę broad learning, która szybko oblicza ostateczną predykcję. Taka struktura zachowuje moc uczenia głębokiego, ograniczając jego słabości.

Co wyniki oznaczają dla praktycznej opieki

Porównując model hybrydowy z trzema powszechnymi podejściami sieci neuronowych, nowe rozwiązanie wyraźnie wypadło najlepiej. Poprawnie klasyfikowało pacjentów w około 87% przypadków, a co istotne — wykrywało ponad 93% tych, którzy faktycznie zmarli w ciągu sześciu miesięcy — kluczowa zaleta, gdy celem jest nieprzegapienie osób o wysokim ryzyku. W praktyce oznacza to, że organizując dane szpitalne w dedykowaną bazę interwencji sercowych i analizując je odpowiednio dobranym modelem AI, lekarze mogą uzyskać bardziej wiarygodne wczesne ostrzeżenia, kto po zabiegu wymaga dodatkowej uwagi. Chociaż badanie pochodzi z jednego szpitala i wymaga walidacji w innych ośrodkach, wskazuje na przyszłość, w której mądrzejsze wykorzystanie danych i specjalizowane narzędzia prognostyczne zwiększą bezpieczeństwo interwencji sercowych i pewność rekonwalescencji.

Cytowanie: Qi, P., Hu, C., Li, Y. et al. Study on establishment of cardiovascular interventional disease database and prediction of postoperative mortality risk. Sci Rep 16, 12493 (2026). https://doi.org/10.1038/s41598-026-39788-7

Słowa kluczowe: interwencje sercowo-naczyniowe, ryzyko pooperacyjne, prognozowanie śmiertelności, bazy danych medycznych, sztuczna inteligencja w opiece zdrowotnej