Точный трансформер в сочетании с мультимодальными данными для прогнозирования длительности госпитализации при остром коронарном синдроме

Почему длительность пребывания в госпитале важна

Для пациентов, доставленных в больницу с грудной болью или инфарктом, вопрос о том, сколько им предстоит лежать в стационаре, — это не просто любопытство. Он влияет на скорость предоставления койки, на то, как быстро можно принять других пациентов, на количество медсестер на смене и даже на расходы семей. В этом исследовании представлена новая система искусственного интеллекта, которая оценивает длительность госпитализации у пациентов с острым коронарным синдромом — опасными состояниями сердца, вызванными закупоркой коронарных артерий — анализируя не только медицинские записи, но и детальные изображения сердца.

Заглядывая внутрь закупоренных коронарных артерий

Врачи уже используют компьютерную томографию (КТ), чтобы увидеть сосуды сердца и выявить сужения или блокировки, способные вызвать острый коронарный синдром. Эти сосуды — длинные ветвящиеся трубки, и небольшие поражённые участки могут занимать лишь крошечную часть каждого снимка. Традиционные компьютерные модели часто сводят такие сканы к общим измерениям, что может упустить тонкие детали мест и тяжести поражения артерии. Новый подход, названный FRAME, обрабатывает КТ-изображения значительно тщательнее, стремясь зафиксировать едва заметные изменения формы сосудов, которые сигнализируют о степени тяжести и вероятной продолжительности пребывания пациента в стационаре.

Обучение компьютера «читать» форму сосудов

Исследователи сначала разработали способ, позволяющий компьютеру самостоятельно узнавать, как выглядят здоровые и поражённые сосуды, без необходимости вручную маркировать каждое изображение. Они аккуратно изменяли каждое КТ-изображение с помощью безопасных корректировок яркости и формы, которые не стирали сами зоны поражения. Сравнивая исходный и модифицированный варианты одного и того же скана, система научилась разделять признаки, которые должны оставаться неизменными, и те, которые меняются при трансформации изображения. Такое «самонаблюдаемое» обучение помогло модели сосредоточиться на истинных трёхмерных закономерностях сосудов — например, изгибах, сужениях и нерегулярности стенок — а не отвлекаться на шум или фоновые структуры, не относящиеся к делу.

Прицельное рассмотрение маленьких проблемных участков

После этого обучения FRAME анализирует новые КТ-сканы не целиком, а по небольшим плиткам или фрагментам. Механизм внимания назначает вес каждому фрагменту и выделяет те, которые, по всей видимости, наиболее связаны с заболеванием, фактически «увеличивая» узкие повреждённые области сосудов и принижаючи значение здоровых участков. Параллельно система обрабатывает данные из электронных медицинских карт — возраст, частоту сердечных сокращений, функцию почек, маркёры воспаления и показатели крови. Затем шаг тонкой интеграции позволяет фрагментам КТ и данным медицинской карты влиять друг на друга с помощью трансформера — той же архитектуры, что лежит в основе многих современных языковых моделей — чтобы связать особенности повреждений сосудов с картинами лабораторных и жизненно важных показателей.

Тестирование модели

Чтобы проверить эффективность FRAME, команда применила его к данным 615 пациентов, лечившихся в крупном торакальном госпитале в Шанхае в период с 2015 по 2021 год. У каждого пациента были как КТ-изображения, так и подробные медицинские записи, а также зафиксированная длительность госпитализации. Исследователи сравнили FRAME с 16 ведущими альтернативами — от классических формул машинного обучения до современных сетей для изображений и мультимодальных моделей. По всей выборке и в четырёх диапазонах длительности госпитализации — от менее пяти дней до более двух недель — новая система стабильно давала наиболее точные прогнозы, с ошибкой примерно в один день в среднем и очень высокой согласованностью между прогнозируемой и фактической длительностью пребывания.

Показать, на что смотрит модель

Помимо чистой точности, команда изучила, на какие области изображений FRAME «смотрит» и какие признаки из медицинских записей он использует. Выделенные фрагменты изображения почти всегда соответствовали сегментам сосудов с видимыми поражениями, что указывает на то, что модель выучила клинически значимые паттерны и в будущем может помочь автоматизировать обводку поражений для радиологов. Среди данных из записей наибольший вклад вносили частота сердечных сокращений, маркёры функции почек, уровень мочевой кислоты, белки воспаления и некоторые соотношения клеток крови — и каждый из этих показателей показывал явную статистическую связь с длительностью пребывания в больнице. Это согласуется с предыдущими клиническими исследованиями и даёт врачам дополнительную уверенность в медицинской обоснованности рассуждений системы.

Что это значит для пациентов и больниц

Проще говоря, исследование показывает, что тщательное сочетание подробной кардиологической визуализации с обычными прикроватными измерениями позволяет компьютерам точнее оценивать длительность госпитализации пациентов с острым коронарным синдромом, чем существующие инструменты. Уделяя внимание точным формам поражённых сосудов и наиболее информативным лабораторным показателям, FRAME может помочь больницам планировать койки и персонал, раньше выявлять пациентов с высоким риском и потенциально ускорять просмотр изображений для загруженных клиницистов. Хотя авторы отмечают, что для внедрения в повседневную практику потребуются более крупные и разнообразные наборы данных, их работа демонстрирует многообещающий шаг к более умному и эффективному управлению неотложными сердечными состояниями.

Цитирование: 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

Ключевые слова: острый коронарный синдром, длительность госпитализации, кардиологическая КТ-съемка, медицинский ИИ, мультимодальное прогнозирование