AI-assisterad multimodal bedömning av högerkammarfunktion från ekokardiografi förutsäger dödlighet hos patienter med pulmonell hypertension och högersidig hjärtsvikt

Varför detta är viktigt för patienter och familjer

Pulmonell hypertension och högersidig hjärtsvikt är ofta tysta tills de blir livshotande. Läkare kan granska ultraljudsbilder av hjärtat, men subtila tidiga skador på höger kammare är lätta att missa och svåra att kvantifiera. Denna studie visar hur ett system med artificiell intelligens (AI) kan tolka dessa hjärtscanningar i större detalj än vad en människa klarar ensam, vilket hjälper läkare att uppskatta en patients risk för att avlida under sjukhusvistelse och under de följande åren — och potentiellt ingripa tidigare.

Närmare titt på ett stressat högerhjärta

När trycket i lungcirkulationen förblir högt måste hjärtats högra sida pumpa mot ett ökat motstånd. Med tiden vidgas högerkammaren, dess muskelfibrer försvagas och patienterna utvecklar svullnad, andfåddhet och lågt blodtryck. Standardekokardiografi — det välbekanta hjärtultraljudet — kan mäta enkla rörelser, till exempel hur långt en klaffring förflyttas när hjärtat slår. Men högerkammaren har en komplex form och drar sig inte samman jämnt, så dessa traditionella mätningar kan missa tidiga eller fläckvisa skador, särskilt hos mycket svårt sjuka patienter.

Mätning av hur hjärtmuskeln deformeras

Modern ultraljudsprogramvara kan följa små specklemönster i muskelväggen från bildruta till bildruta och beräkna hur mycket varje region förkortas och förlängs med varje hjärtslag. Denna måttnad, kallad longitudinell strain, är särskilt viktig för högerkammaren. I den här studien fokuserade läkarna på ett genomsnittligt strainvärde taget från sex standardsegment av högerkammarens vägg. Mindre negativa tal (det vill säga mindre förkortning) återspeglar svagare muskelfunktion. Bland 586 vuxna som var inlagda med pulmonell hypertension och högersidig hjärtsvikt hade de som avled tydligt sämre strainvärden och högre tryck i lungartären än överlevarna, vilket bekräftar att detta detaljerade rörelsemått fångar verklig biologisk risk.

Att lära en AI att läsa hjärtat

Forskargruppen byggde en djupinlärningsmodell som inte förlitade sig på ett enda tal eller bildtyp. Istället analyserade den tre informationsströmmar hämtade från ett hjärtslag: fulla strainkurvor över tid, ultraljudsvideoklipp från två betraktelsesvinklar och Doppler-spår som visar blodflödets hastighet och riktning. Varje ström bearbetades av sin egen specialiserade encoder, och en "cross-attention"-modul lärde sedan AI att justera rörelse-, struktur- och flödesmönster som hörde ihop. Kliniska data och konventionella ultraljudsmätningar inkluderades också. Systemets uppgift var enkel: för varje patient beräkna sannolikheten för död i sjukhus och under långtidsuppföljning.

Hur väl AI:n förutsade utfall

Patienterna delades slumpmässigt i tränings-, validerings- och testgrupper så att slutlig prestanda kunde kontrolleras på data som AI:n aldrig sett tidigare. I den oberoende testuppsättningen nådde modellen ett area under kurvan (AUC) på 0,823, vilket betyder att den korrekt rankade hög- respektive låg-riskpatienter mer än 8 gånger av 10. Den överträffade individuella standardmätningar, inklusive tryck i lungartären och genomsnittlig högerkammarstrain när dessa användes var för sig. AI-systemet var också snabbt: det kunde analysera den nödvändiga ultraljudsinformationen på ungefär fyra minuter, jämfört med cirka tjugo minuter för en sonograf att manuellt utföra och tolka strainanalys.

Vad detta kan innebära för vården

För en patient liggande på en intensivvårdsavdelning med avancerad pulmonell hypertension kan vetskapen om huruvida deras högra hjärta tyst sviktar eller håller emot förändra behandlingsval — till exempel när man ska intensifiera medicinering, överväga avancerade terapier eller planera tätare uppföljning. Denna studie tyder på att en AI-assistent, inkopplad i rutinemässigt hjärtultraljud, kan leverera en mer precis och snabbare riskuppskattning än standardmått ensamma. Även om metoden fortfarande behöver testas på andra sjukhus och med olika ultraljudsmaskiner, pekar den mot en framtid där detaljerad, automatiserad analys av hjärtrörelser hjälper läkare att skräddarsy vården och potentiellt förbättra överlevnaden för personer med svår högersidig hjärtsjukdom.

Citering: Mou, H., Zhang, G., Xiu, L. et al. AI–assisted multimodal assessment for right ventricular function from echocardiography predicts mortality in patients with pulmonary hypertension and right heart failure. Sci Rep 16, 5323 (2026). https://doi.org/10.1038/s41598-026-36533-y

Nyckelord: pulmonell hypertension, högersidig hjärtsvikt, ekokardiografi, artificiell intelligens, riskprognos