Studie om upprättande av databas för kardiovaskulära interventionssjukdomar och prediktion av postoperativ dödsrisk

Varför detta är viktigt för patienter och familjer

Kardiovaskulära ingrepp kan rädda liv, men de innebär också verkliga risker, särskilt för äldre och svårt sjuka patienter. En av de största frågorna efter en intervention är: »Hur stor är chansen att jag eller min anhörige kan avlida under månaderna efter operationen?« Denna studie visar hur noggrant organiserade sjukhusdata och en modern modell för artificiell intelligens (AI) kan hjälpa läkare att uppskatta den risken mer exakt, så att de kan följa sårbara patienter tätare och sätta in åtgärder tidigare när problem är på väg att uppstå.

Från spridda journaler till en fullständig patientberättelse

Traditionellt har information om hjärtpatienter varit spridd över många sjukhussystem—labbrapporter på ett ställe, bilddiagnostik på ett annat och uppföljningsanteckningar någon annanstans. Mycket av det är skrivet i fri text och inte standardiserat, vilket gör det svårt för både datorer och läkare att få en helhetsbild. Forskarna tacklade detta genom att bygga en dedikerad databas just för kardiovaskulära interventioner vid ett stort sjukhus i Zhejiang-provinsen, Kina. Under ett år samlade de detaljerade, strukturerade data från 728 patienter som genomgick minimalt invasiva hjärtprocedurer, och fokuserade slutligen på 638 fall med fullständig information från intagning fram till sex månader efter operationen. Denna »fullcykel«-vy fångar vilka patienterna är, vad som händer före och under ingreppet och hur de återhämtar sig därefter.

Vad som ingår i hjärtrisksdatabasen

Databasen hämtar information från flera sjukhussystem, såsom elektroniska patientjournaler, labsystem, bildplattformar och uppföljningsmottagningar. Teamet grupperade data i fyra huvudblock: grundläggande patientuppgifter och medicinsk historia; tester och röntgenundersökningar före operation; vad som faktiskt inträffade under ingreppet; samt uppföljningsindikatorer som vitala värden, blodprover och bedömningar av förmåga i dagliga aktiviteter. De rengjorde sedan data—tog bort fält med för stora mängder saknade värden, fyllde mindre luckor på ett rimligt sätt och konverterade textkategorier (såsom rökning eller inte, blödning eller inte) till numeriska koder som datorer kan analysera. De summerade också flera befintliga sjukdomar till en enda komorbiditetspoäng, vilket gör det lättare att återspegla varje patients totala sjukdomsbörda.

Att lära en AI-modell att se varningstecken tidigt

När data var i ordning ställde forskarna en fokuserad fråga: utifrån all denna information, kan vi förutsäga vem som kommer att avlida inom sex månader efter ingreppet? Endast 41 av de 638 patienterna avled inom den tidsramen, vilket gör prediktionsproblemet särskilt svårt—det finns många fler överlevande än dödsfall, och många modeller tenderar att förbise de sällsynta men avgörande högriskfallen. Teamet använde först en variabelurvalsmetod för att plocka ut 30 av de mest informativa variablerna över hela patientresan. Dessa inkluderade faktorer som ålder, kroppsmassindex, komorbiditetsbörda, vissa blodprovsresultat, kirurgiska detaljer som hur länge instrument var på plats, och uppföljningsmått såsom njur- och leverfunktion samt förmåga i dagliga aktiviteter.

En hybrid AI-motor byggd för snabbhet och noggrannhet

För att analysera dessa tidsseriedata designade forskarna en hybridmodell som kombinerar två AI-tekniker. Den första, känd som ett long short-term memory-nätverk, är bra på att följa mönster över tid—såsom hur laboratorievärden förändras före och efter operationen—men kan bli långsamt och benäget för överanpassning om det används ensamt. Den andra, kallad broad learning system, bygger snabbt upp kopplingar mellan variabler utan den omfattande viktjustering som är typisk för djupa nätverk. I deras design passerar patientens livscykeldata först genom den tidsmedvetna delen av modellen, sedan genom ett regulariseringssteg för att minska överanpassning, och slutligen in i broad learning-lagret som snabbt beräknar den slutliga prediktionen. Denna struktur behåller styrkorna hos djupinlärning samtidigt som dess svagheter trimmas bort.

Vad resultaten betyder för vård i verkligheten

När de jämförde sin hybridmodell mot tre vanliga neurala nätverksmetoder presterade den nya konstruktionen tydligt bäst. Den klassificerade patienter korrekt i cirka 87 procent av fallen och identifierade, vilket är viktigt, mer än 93 procent av dem som faktiskt avled inom sex månader—en nyckelfördel när målet är att inte missa högriskpersoner. I praktiska termer betyder detta att genom att organisera sjukhusdata i en dedikerad databas för hjärtinterventioner och köra dem genom en skräddarsydd AI-modell kan läkare få en mer pålitlig tidig varning om vilka patienter som behöver extra uppmärksamhet efter sitt ingrepp. Även om studien kommer från ett enda sjukhus och fortfarande behöver testas i andra center, pekar den mot en framtid där smartare dataanvändning och specialiserade prediktionsverktyg bidrar till att göra hjärtinterventioner säkrare och återhämtningen tryggare.

Citering: Qi, P., Hu, C., Li, Y. et al. Study on establishment of cardiovascular interventional disease database and prediction of postoperative mortality risk. Sci Rep 16, 12493 (2026). https://doi.org/10.1038/s41598-026-39788-7

Nyckelord: kardiovaskulär intervention, postoperativ risk, dödsrisktolkning, medicinska databaser, artificiell intelligens inom sjukvård