Förutsäga komplikationer och dödlighet hos patienter med hjärtinfarkt med en grafneuronätverksmodell

Varför det är viktigt att tidigt förutse problem efter en hjärtinfarkt

Att överleva en hjärtinfarkt är bara början. Under de första dagarna efter en infarkt kan patienter plötsligt utveckla farliga problem som oregelbundna hjärtrytmer, vätska i lungorna eller till och med en bristning i hjärtväggen. Dessa kriser kommer ofta utan mycket varning, men de föregås ofta av små förändringar i blodprover, blodtryck eller läkemedelsbehandling. Denna studie undersöker om en avancerad form av artificiell intelligens kan genomsöka sjukhusjournaler i realtid för att markera vilka patienter som är på väg att få problem, vilket ger läkare en möjlighet att ingripa innan det är för sent.

Ett nytt sätt att läsa sjukhusjournalen

De flesta nuvarande prediktionsverktyg för patienter med hjärtinfarkt tittar på ett fåtal siffror som registrerats vid inläggning och försöker besvara en enkel fråga: kommer patienten att dö eller inte? De bortser från hur patientens tillstånd utvecklas över timmar och dagar, och de behandlar varje patient som ett isolerat fall. Forskargruppen bakom denna artikel valde en annan väg. De byggde en modell som behandlar varje patients elektroniska journal som en rik berättelse och kombinerar ålder, sjukdomshistoria, laboratorietester, hjärtregistreringar och behandlingar under de första 72 timmarna på sjukhuset. Istället för att bara förutsäga ett utfall syftar modellen till att förutse 12 olika komplikationer, plus risken att dö före utskrivning.

Låta liknande patienter "prata" med varandra

Kärnan i tillvägagångssättet är en metod kallad grafneuronätverk, som kan ses som ett sätt att låta liknande patienter "dela" information. Varje patient är en punkt i ett nätverk, och samband dras mellan patienter vars journaler liknar varandra. Modellen låser inte dessa samband i sten; den anpassar hur många grannar varje patient har beroende på hur vanligt eller ovanligt deras mönster är i data. Detta är särskilt viktigt för ovanliga men dödliga problem, såsom en bristning i hjärtväggen, där varje extra ledtråd från liknande tidigare patienter kan förbättra riskuppskattningarna.

Följa både snabba svängningar och långsamma förändringar

Utöver att koppla patienter till varandra lägger modellen stor vikt vid hur deras tillstånd förändras över tid. En del fokuserar på kortsiktiga upp- och nedgångar i mätvärden som natriumnivåer eller vitala tecken under de första tre dagarna. En annan del ser på långsammare trender, till exempel om ett laboratorievärde stadigt stiger eller sjunker. En särskild "attention"-mekanism avgör sedan hur dessa två vyer ska blandas till en enhetlig bild av patientens nuvarande utveckling. Denna sammansatta bild, tillsammans med patientens bakgrundsinformation, skickas genom patientnätverket för att producera separata riskpoäng för varje möjlig komplikation och för död.

Hur väl systemet fungerar

Forskarna testade sin modell på journaler från 1 700 personer som behandlats för hjärtinfarkt och använde upprepade korskontroller för att undvika överanpassning. I genomsnitt var dess förmåga att skilja mellan patienter som skulle respektive inte skulle utveckla varje komplikation måttlig, och tydligt bättre än två starka jämförelsemetoder. Den var särskilt träffsäker för att förutsäga död under sjukhusvistelsen och nådde en prestationsnivå (AUC 0,88) som står sig väl jämfört med tidigare studier baserade på mer traditionella maskininlärningstekniker. Systemet hade svårare med sällsynta eller subtila tillstånd, där det finns färre exempel att lära av och där signalen i data är svag, vilket ledde till lägre poäng för vissa komplikationer och en modest balans mellan sanna och falska larm.

Öppna den svarta lådan för läkare

För att hjälpa kliniker att lita på och förstå systemet undersökte författarna vilka faktorer modellen lutade sig mot mest. Ålder framstod som en stor riskfaktor, liksom natriumnivåer i blodet och mönster i vissa läkemedel, såsom blodförtunnare och mediciner som stabiliserar hjärtrytmen—fynd som stämmer väl överens med befintlig medicinsk kunskap. Genom att granska interna "attention-kartor" visade de hur modellen framhäver särskilda dagar och laboratorietrender hos högriskpatienter, vilket ger en visuell förklaring till dess varningar. Samtidigt erkänner studien viktiga begränsningar: all data kommer från ett enda sjukhus, vissa komplikationer var sällsynta och endast strukturerade journaldata—inte råa hjärtregistreringar eller bilder—användes.

Vad detta betyder för patienter

Enkelt uttryckt visar arbetet att ett AI-system kan skanna den detaljerade sjukhusjournalen för en hjärtinfarktpatient, följa hur deras tillstånd skiftar timme för timme och ge en tidig varning för en rad farliga komplikationer, särskilt död. Även om verktyget inte är perfekt och behöver testas i andra sjukhus och förbättras för sällsyntare problem, går det bortom generella poängsystem mot personliga, utfallsspecifika risklarm. Om det förbättras och integreras säkert i sjukhussystem skulle sådana modeller kunna hjälpa vårdteam att rikta uppmärksamhet och förebyggande behandlingar mot de patienter som behöver det mest under de kritiska första dagarna efter en hjärtinfarkt.

Citering: Guo, D., Zhang, Z., Zhou, D. et al. Predicting complications and mortality in myocardial infarction patients using a graph neural network model. Sci Rep 16, 5886 (2026). https://doi.org/10.1038/s41598-026-36798-3

Nyckelord: hjärtinfarkt, komplikationsprediktion, grafneuronätverk, elektroniska journaler, dödlighetsrisk