Förutsäga resultat från kardiopulmonell arbetsprovning vid medfödda hjärtfel genom multimodal dataintegration och geometriskt lärande

Varför denna hjärtstudie är viktig

För personer födda med hjärtfel innebär uppväxt och vuxenliv ofta osäkerhet: kommer mitt hjärta att räcka till för vardag, träning eller större operationer? Denna studie undersöker om information som redan samlas in i rutinvård — hjärtspårningar och klinikanteckningar — kan kombineras och analyseras med moderna beräkningstekniker för att förutsäga hur väl en patients hjärta och lungor presterar under ansträngning, utan att man alltid behöver ett krävande test.

Att förstå kondition ur andning och hjärtslag

Läkare använder ofta ett specialiserat löpband- eller cykelprov, kallat kardiopulmonell arbetsprovning, för att se hur mycket syre en person kan ta upp och hur effektivt koldioxid andas ut. Dessa mått ger en stark ögonblicksbild av den övergripande konditionen och framtida hälsorisk, särskilt hos vuxna med medfödda hjärtfel. Testet är dock tidskrävande, kräver specialutrustning och finns inte tillgängligt för alla patienter eller på alla sjukhus.

Att samla spridd patientinformation

Forskarna samlade flera typer av information från 436 vuxna med medfödda hjärtfel som följdes på ett specialistcenter i Skottland. De digitaliserade över fyratusen standard 12-avlednings-EKG — korta registreringar av hjärtats elektriska aktivitet — och omvandlade också skriftliga klinikanteckningar och arbetsprovsrapporter till strukturerad, datorläsbar form. Från dessa textdokument extraherade de viktiga uppgifter om varje persons diagnoser, hjärtoperationer och medicinering samtidigt som identifierande information togs bort. För 258 patienter som genomgått arbetsprov fokuserade de på två centrala mått som är kända för att prediktera överlevnad: maximal syreupptagningsförmåga och hur mycket andning som krävs för att avlägsna koldioxid.

Att hitta mönster med geometri istället för ren råstyrka

Eftersom medfödda hjärtfel är relativt sällsynt och mycket varierande kunde teamet inte förlita sig på enorma datamängder som används för att träna många moderna artificiella intelligenssystem. I stället representerade de varje EKG som en sammanfattning av hur signalerna från de olika avledningarna varierar tillsammans — ett matematiskt fingeravtryck av hjärtats elektriska mönster. Dessa fingeravtryck antar formen av kovariansmatriser, som författarna analyserade med verktyg från en gren av matematiken kallad Riemannsk geometri. I praktiska termer gjorde detta det möjligt att mäta likheter mellan hjärtsignaler mer känsligt och att skapa realistiska nya syntetiska exempel genom att mjukt ”blanda” befintliga patientmönster, vilket hjälpte datorn att lära från ett litet och obalanserat urval.

Att förena ord och vågor för bättre prediktioner

Studien jämförde flera tillvägagångssätt för att förutsäga arbetsprovsprestation från dessa data. Modeller som endast använde grundläggande EKG-mått, såsom standardintervall och frekvensvärden som rapporteras på rutinutskrifter, presterade dåligt. När forskarna istället matade in de rikare EKG-fingeravtrycken förbättrades prediktionsnoggrannheten märkbart. De största vinsterna kom när de kombinerade dessa EKG-fingeravtryck med information hämtad från klinikanteckningarna, så att modellen ’visste’ både hur hjärtats elektricitet uppträdde och vilka tillstånd, operationer och mediciner personen hade. Med denna dataintegration och deras geometri-baserade förstärkning korrelerade datorns uppskattningar av maximal syreupptagning måttligt väl med de faktiska provresultaten och överträffade enklare metoder både i kontinuerlig prediktion och i att gruppera patienter i riskband.

Vad detta betyder för patienter och vårdteam

Arbetet ersätter ännu inte arbetsprov, och författarna medger att deras klassificeringsnoggrannhet fortfarande är för måttlig för direkt kliniska beslut. Men resultaten visar att noggrant utformade modeller, som respekterar datas struktur och använder både hjärtspårningar och narrativ klinisk information, meningsfullt kan förutse hur väl en person med medfött hjärtfel klarar fysisk ansträngning. I framtiden, med större och mer varierade datamängder, skulle liknande verktyg kunna hjälpa till att flagga patienter vars kondition försämras innan symtom blir uppenbara, stödja beslut om operation eller livsstilsförändringar och utöka avancerad riskbedömning till sjukhus som saknar fullständig arbetsprovningsutrustning.

Citering: Alkan, M., Veldtman, G. & Deligianni, F. Predicting cardiopulmonary exercise testing outcomes in congenital heart disease through multimodal data integration and geometric learning. Sci Rep 16, 9910 (2026). https://doi.org/10.1038/s41598-026-38687-1

Nyckelord: medfött hjärtfel, kardiopulmonell arbetsprovning, elektrokardiogram, maskininlärning, riskprediktion