En finmaskig transformer kombinerad med multimodala data för att förutsäga sjukhusvistelsens längd vid akut koronart syndrom

Varför längden på sjukhusvistelsen spelar roll

För personer som skyndas till sjukhus med bröstsmärtor eller en hjärtattack är frågan om hur länge de måste stanna mer än ren nyfikenhet. Den påverkar hur snabbt de får en säng, hur snart andra kan tas in, hur många sjuksköterskor som behövs per skift och till och med vilka kostnader familjerna kan få. Den här studien presenterar ett nytt artificiellt intelligenssystem som uppskattar sjukhusvistelsens längd för patienter med akut koronart syndrom — farliga hjärttillstånd orsakade av tilltäppta kranskärl — genom att titta inte bara på journaldata utan också direkt på detaljerade hjärtavbilder.

Att titta in i tilltäppta hjärtartärer

Läkare använder redan datortomografi (CT) för att se hjärtats blodkärl och upptäcka försämringar eller ocklusioner som kan utlösa akut koronart syndrom. Dessa kärl är långa, förgrenade rör, och små sjuka segment kan utgöra endast en liten del av varje bild. Traditionella datormodeller summerar ofta sådana skanningar till grova mått, vilket kan dölja de finstilta detaljerna om var och hur allvarligt ett kärl är skadat. Det nya tillvägagångssättet, kallat FRAME, behandlar CT-bilderna mycket mer noggrant och syftar till att fånga subtila förändringar i kärlens form som signalerar hur svårt en patient är sjuk — och hur länge de kan behöva sjukhusvård.

Att lära datorn att läsa kärlformer

Forskarna utvecklade först ett sätt för datorn att själv lära sig hur friska och sjuka kärl ser ut, utan att en människa behöver märka varje bild. De förändrade försiktigt varje CT-bild med säkra justeringar av ljusstyrka och form som aldrig suddade ut de faktiska lesionsområdena. Genom att jämföra originalet och den modifierade versionen av samma skanning lärde sig systemet vilka egenskaper som bör förbli konstanta och vilka som förändras när bilden transformeras. Denna ”självövervakade” träning hjälpte modellen att fokusera på de verkliga tredimensionella mönstren i kärlen — såsom kurvor, förträngningar och oregelbundna väggar — i stället för att distraheras av brus eller irrelevanta bakgrundsstrukturer.

Zooma in på små problemområden

Efter denna träning analyserar FRAME nya CT-skanningar i små flikar eller patchar, i stället för att behandla varje bild som en enda helhet. En uppmärksamhetsmekanism väger varje patch och framhäver de som verkar mest relaterade till sjukdom, vilket effektivt zoomar in på smala, skadade kärlområden samtidigt som friska partier nedtonas. Parallellt bearbetar systemet information från den elektroniska patientjournalen, inklusive ålder, puls, njurfunktion, inflammationsmarkörer och blodbild. Ett finmaskigt fusionssteg låter sedan CT-patcharna och journaldata påverka varandra, med hjälp av en Transformer — samma typ av arkitektur som ligger bakom många moderna språkmodeller — för att koppla mönster i kärlskador till mönster i laboratorievärden och vitala parametrar.

Att testa modellen

För att kontrollera hur väl FRAME fungerar tillämpade teamet den på data från 615 patienter som behandlats på ett större bröstsjukhus i Shanghai mellan 2015 och 2021. Varje patient hade både CT-bildgivning och detaljerade journaluppgifter, tillsammans med registrerad sjukhusvistelsens längd. Forskarna jämförde FRAME med 16 ledande alternativ, från klassiska maskininlärningsmetoder till avancerade bildnätverk och multimodala modeller. Över hela patientgruppen och över fyra intervall av sjukhusvistelser — från under fem dagar till längre än två veckor — gav det nya systemet konsekvent de mest exakta prognoserna, med fel på i genomsnitt ungefär en dag och en mycket stark överensstämmelse mellan förutspådd och faktisk vistelselängd.

Se vad modellen ser

Utöver rå noggrannhet undersökte teamet var FRAME ”tittade” i bilderna och vilka journalfunktioner den förlitade sig på. De framhävda bildpatcharna motsvarade nästan alltid kärlsegment med synliga lesioner, vilket tyder på att modellen lärt sig kliniskt meningsfulla mönster som så småningom kan hjälpa till att automatisera lesionmarkering för radiologer. Bland journaldata bar puls, njurfunktionsmarkörer, urinsyra, inflammationsproteiner och vissa blodcellsförhållanden störst vikt — och var och en visade en tydlig statistisk koppling till hur länge patienter stannade på sjukhuset. Detta stämmer överens med tidigare kliniska studier och ger läkare ytterligare förtroende för att systemets resonemang är medicinskt rimligt.

Vad detta innebär för patienter och sjukhus

Enkelt uttryckt visar studien att en noggrann kombination av rik hjärtavbildning och vanliga sängsidemätningar låter datorer uppskatta sjukhusvistelsens längd för patienter med akut koronart syndrom mer exakt än befintliga verktyg. Genom att uppmärksamma exakt form på skadade kärl och de mest talande laboratorievärdena kan FRAME hjälpa sjukhus att planera sängar och personal, tidigt flagga högriskpatienter och potentiellt snabba upp bildgranskningen för upptagna kliniker. Författarna påpekar att större och mer varierade datamängder behövs innan sådana system kan vägleda vardaglig vård, men deras arbete visar ett lovande steg mot smartare och mer effektiva hantering av hjärtakutvård.

Citering: You, L., Cen, X. & Wang, S. A fine-grained transformer combined with multimodal data for predicting hospital length of stay in acute coronary syndrome. Sci Rep 16, 11465 (2026). https://doi.org/10.1038/s41598-026-41279-8

Nyckelord: akut koronart syndrom, sjukhusvistelsens längd, hjärt-CT-bildgivning, medicinsk AI, multimodal prediktion