Ett Bayesiskt nätverk för att identifiera orsaker till andfåddhet med hjälp av en nationell databas för elektroniska journaler (EMR)

Varför det är viktigt att hitta orsaken till andfåddhet

Att ha svårt att få luft kan vara skrämmande, oavsett om det kommer plötsligt eller smyger sig på under månader. Andfåddhet är ofta det första tecknet på att något är fel i hjärta eller lungor, men läkare i vanlig allmänpraktik kan stå inför en lång lista av möjliga orsaker och bara ha begränsad tid och tillgång till tester. Den här studien beskriver ett nytt datorbaserat verktyg som använder mönster i miljoner anonymiserade journaler för att hjälpa allmänläkare (GP) att snabbt fokusera på de mest sannolika orsakerna till att en patient är andfådd, med målet att påskynda diagnos och undvika onödiga prov.

Ett vanligt symtom med många möjliga rötter

Andfåddhet, ibland kallat dyspné eller kortandning, är ett mycket vanligt klagomål med allvarliga följder. Personer som ofta känner sig andfådda har ofta sämre livskvalitet, mer ångest och depression samt en högre risk för sjukhusinläggning och för tidig död. Symtomet är särskilt kopplat till långvariga lungsjukdomar som astma och kronisk obstruktiv lungsjukdom (KOL), och till hjärtsjukdomar som hjärtsvikt, men kan också bero på infektioner, blodproppar eller till och med cancer. Eftersom så många sjukdomar delar detta enda symtom måste allmänläkare ofta beställa flera tester och remittera patienter till olika specialister, vilket kan fördröja rätt behandling och öka vårdkostnaderna.

Att omvandla rutinjournaler till ett lärande verktyg

Forskarna använde en stor brittisk databas med elektroniska journaler från 50 vårdcentraler, som täcker cirka 136 000 vuxna som sökte för andfåddhet mellan 2002 och 2024. Från dessa journaler identifierade de nästan 385 000 separata ”episoder” av andfåddhet och kopplade dem, när det var möjligt, till tio viktiga diagnoser kända för att orsaka andfåddhet, inklusive astma, KOL, hjärtsvikt, lungcancer, lunginflammation och blodproppar i lungan. För att göra detta rättvist definierade de tidsfönster kring varje episod: för ett snabbt förlopp som lunginflammation tittade de bara ett par veckor före och efter besöket, medan de för långsammare sjukdomar som lungcancer undersökte många månader åt båda håll. De plockade också ut 34 enkla uppgifter om varje patient — såsom ålder, kön, rökvanor, symtom som hosta eller pip i bröstet, aktuella läkemedel och tidigare diagnoser.

Hur det intelligenta nätverket fungerar

Med denna information byggde teamet en typ av statistisk modell som kallas ett Bayesiskt nätverk. Det kan föreställas som ett nätverk av sammanlänkade punkter, där varje punkt representerar något om patienten (till exempel ”aktiv rökare” eller ”tidigare KOL”) eller en av de tio möjliga orsakerna till andfåddhet. Linjerna mellan punkterna visar hur starkt de är relaterade. När en läkare matar in en patients uppgifter uppdaterar nätverket sannolikheterna för varje diagnos, baserat på mönster som lärts från alla tidigare patienter i databasen. Nätverkets struktur lärdes först från data och förfinades sedan med input från lung- och hjärtspecialister för att säkerställa att den var kliniskt rimlig och inte byggde på omöjliga orsak–verkan-relationer.

Hur bra verktyget presterar

För att testa modellen avsatte forskarna 30 % av andfåddhetsepisoderna som inte användes under utvecklingen. På denna separata grupp varierade verktygets förmåga att skilja mellan patienter med och utan varje tillstånd från måttlig till utmärkt. Till exempel var dess prestationspoäng (känd som ROC-AUC) 0,94 för hjärtsvikt och 0,90 för astma, vilket betyder att den mycket sällan förväxlade patienter som hade dessa tillstånd med dem som inte hade dem. Även för mer utmanande diagnoser som icke-pneumoniska bröstkorgsinfektioner var prestationen bättre än slumpen. Ytterligare kontroller visade att de sannolikheter modellen producerade stämde väl överens med vad som faktiskt observerades i data. Inte förvånande var en patients tidigare sjukdomshistoria ofta den starkaste ledtråden till att en ny episod orsakas av samma tillstånd.

Vad detta kan innebära för patienter och läkare

Författarna har redan byggt in detta nätverk i ett kliniskt beslutsstödsystem som kopplas in i GP-programvara och testar det i en prövning i australiska vårdcentraler. Om det fortsätter att prestera väl kan verktyget hjälpa läkare att snabbt se vilka diagnoser som är mest respektive minst sannolika när någon söker för andfåddhet, och vägleda dem mot de mest informativa testerna först. Detta ersätter inte en läkares omdöme, och det kan inte täcka varje möjlig orsak, men det kan ge en evidensbaserad ”second opinion” hämtad från hundratusentals liknande fall. I praktiska termer antyder studien att noggrant analyserade elektroniska journaler kan omvandlas till en slags tyst bakgrundsrådgivare — en som hjälper till att korta vägen från den första skrämmande känslan av andnöd till en klar diagnos och lämplig behandling.

Citering: Kabir, A., Devaux, A., Jenkins, C. et al. A Bayesian network for identifying causes of breathlessness using a national electronic medical records (EMR) database. Sci Rep 16, 4900 (2026). https://doi.org/10.1038/s41598-026-35250-w

Nyckelord: andfåddhet, primärvård, Bayesiskt nätverk, elektroniska journaler, diagnostiskt beslutsstöd