Förklarbar multimodal metod för att avslöja nyckelprediktorer för stroke‑risk från EKG, EMG, blodtryck och andningssignaler

Varför andning och hjärtsignaler spelar roll för stroke

Stroke slår till snabbt men utvecklas oftast tyst under år. Läkare vet att högt blodtryck, hjärtrytmrubbningar och livsstilsfaktorer ökar risken, men att förutsäga vem som verkligen är i fara är fortfarande svårt. Denna studie visar att hur vi andas – särskilt hur kroppen hanterar koldioxid – bär på dolda ledtrådar om strokerisk. Genom att kombinera andnings-, hjärt-, muskel- och blodtryckssignaler i en förklarbar artificiell intelligens (AI)-modell avslöjar författarna nya sätt att identifiera högriskpatienter och hjälper kliniker att förstå varför en algoritm fattar sitt beslut.

Lyssna på kroppens tysta signaler

Istället för att använda hjärnskanningar, som är dyra och inte lämpade för kontinuerlig övervakning, vände sig forskarna till enkla elektriska och tryckmätningar tagna från 64 frivilliga, några som hade drabbats av ischemisk stroke och några som inte hade det. De spelade in sju signaler medan personerna satt och sedan stod: hjärtaktivitet (två EKG-kanaler), muskelaktivitet i benet (två EMG-kanaler), blodtryck från en fingercuff och två andningssignaler vid munnen – koldioxid i utandningsluften och luftflödeshastighet. Dessa mätningar liknar de som kan samlas in av sängmonitorn i sjukhus eller avancerade wearables, vilket gör metoden potentiellt praktisk för regelbundna kontroller.

Omvandla råa vågor till mönster som datorn kan läsa

Teamet delade varje persons 10‑minutersinspelning i många 14‑sekunderssnuttar som delvis överlappade, tillräckligt lång tid för att fånga flera andetag och upprepade hjärtslag. För varje snutt beräknade de ett brett spektrum enkla numeriska beskrivare – medelvärden, variabilitet, hur ofta signalerna korsade noll och hur deras energi fördelades över olika frekvenser. Dessa egenskaper sammanfattar varje signals ”stil” utan att lagra fullständiga vågformer, vilket minskar beräkningskostnad och brus. Alla egenskaper från de sju signalerna staplades sedan ihop för att representera ett enda prov av hur personens kropp uppträdde under den korta perioden.

En enkel hjärninspirerad modell som överträffar djupare nätverk

I stället för att använda ett djupt, komplext neuralt nätverk valde författarna ett mycket enkelt: en enkelskikts perceptron. Denna modell tar alla numeriska egenskaper, multiplicerar varje med en inlärd vikt, summerar dem och skickar resultatet genom en komprimeringsfunktion för att ge en sannolikhet för ”stroke” eller ”ingen stroke”. Trots sin enkelhet nådde modellen en noggrannhet på cirka 85–88 procent och överträffade mer sofistikerade metoder som rekurrenta och konvolutionella neurala nätverk, ensemble echo state‑nätverk och populära maskininlärningsklassificerare när alla testades på samma data. Avgörande var att när andningssignalerna (koldioxid och luftflöde) togs bort sjönk noggrannheten till omkring 59 procent, en statistiskt signifikant minskning, vilket visar att andningsdata tillför viktig information som andra signaler ensamma inte fångar.

Öppna svarta lådan: vilka signaler betyder verkligen något

Läkare är med rätta skeptiska till svart‑låda‑AI, så teamet använde tre förklaringsverktyg – SHAP, LIME och Anchors – för att se vilka egenskaper modellen lutade sig mest mot. Alla tre pekade på andningsfunktioner, särskilt de härledda från koldioxid, som nyckeldrivare för prognoserna. SHAP, en förklarare baserad på spelteori, rankade genomsnittsnivån av utandad koldioxid, dess variabilitet och det genomsnittliga blodtrycket som de tre främsta bidragsgivarna till att avgöra om ett prov liknade en strokepatient. Hög genomsnittlig koldioxid och högt blodtryck tenderade att driva modellen mot ”stroke”, medan mer oregelbundna koldioxidmönster antydde lägre risk. För att bedöma vilken förklarare som var mest pålitlig använde författarna ett särskilt test: de tog bort de topprankade egenskaperna som varje metod angav och såg hur mycket modellens prestanda försämrades. SHAP orsakade det största fallet och utsågs därmed till den mest tillförlitliga tolkaren.

Vad detta betyder för patienter och kliniker

För icke‑experter är slutsatsen enkel: hur du andas och hur effektivt du rensar koldioxid kan vara lika talande för strokerisk som ditt blodtryck eller hjärtslag. Detta arbete antyder att rutinmässiga monitorer som fångar andningsgaser, blodtryck, hjärt‑ och muskelsignaler skulle kunna kopplas till enkel, transparent AI för att flagga personer som förtjänar närmare uppmärksamhet långt innan en stroke inträffar. Eftersom modellen är både noggrann och förklarbar kan kliniker se vilka aspekter av en patients fysiologi som driver riskbedömningen, vilket stödjer förtroende och riktad behandling. Större studier behövs fortfarande, men resultaten lyfter fram koldioxidrelaterade andningsmått som lovande nya markörer för strokeprevention.

Citering: Krayem, J., Wong, L., Tham, L.K. et al. Explainable multi-modal approach for uncovering key predictors of stroke-risk from ECG, EMG, blood pressure, and respiratory signals. Sci Rep 16, 6906 (2026). https://doi.org/10.1038/s41598-026-37777-4

Nyckelord: strokerisk, andningssignaler, koldioxid, förklarbar AI, EKG och blodtryck