Förklarbar maskininlärning för att förutsäga trakeostomi efter kraniotomi för supratentoriell intrakraniell blödning

Varför detta är viktigt för patienter och familjer

När någon drabbas av en allvarlig typ av stroke orsakat av blödning i hjärnan behöver de ofta akut hjärnkirurgi och andningsstöd med respirator. Ett av de svåraste besluten vid sängkanten för läkare och anhöriga är om patienten senare kommer att behöva ett hål i halsen, en så kallad trakeostomi, för att kunna andas under längre tid. Denna studie visar hur en förklarbar form av artificiell intelligens kan uppskatta den risken tidigt, med hjälp av bara ett fåtal rutinmässiga medicinska mätvärden, och omvandla det till ett enkelt verktyg vid sängkanten.

Allvarlig hjärnblödning och andningsstöd

Blödning i den övre delen av hjärnan, känd som supratentoriell intrakraniell blödning, är en av de farligaste formerna av stroke. Många av dessa patienter i Kina och andra länder genomgår öppen hjärnkirurgi för att avlägsna blodet och lätta på trycket. Även efter operationen kommer nästan hälften att behöva förlängt andningsstöd, och en stor andel får trakeostomi för att göra ventilationen säkrare och mer bekväm. Fram till nu har läkare varit beroende av erfarenhet och generella strokeskalor som inte var anpassade till denna specifika kirurgiska grupp, vilket gjorde det svårt att ge tydlig vägledning till familjer eller att planera intensivvårdsresurser.

Att omvandla rutindata till ett prediktionsverktyg

Forskarna samlade data från två sjukhus om 924 vuxna som hade denna typ av hjärnblödning och därefter genomgick operation. De granskade grundläggande information som redan samlas in under det första vårddygnet: ålder, medvetandenivå enligt Glasgow Coma Scale, hur stor blodproppen i hjärnan var, hur lång operationen tog, och ett vanligt blodkemi­värde kallat serumbikarbonat, som speglar kroppens syra–basbalans. Med en stegvis urvalsmetod fann de att dessa fem faktorer bar huvuddelen av den användbara informationen om huruvida en patient senare skulle få trakeostomi.

Hur den förklarbara AI-modellen fungerar

Med dessa fem uppgifter tränade teamet tre olika dator­modeller: en standard statistisk modell, en random forest och en mer avancerad träd­baserad metod kallad extreme gradient boosting. De fininställde noggrant varje modell och testade dem med korsvalidering på huvudsjukhusets data, och kontrollerade sedan prestanda igen på patienterna från det andra sjukhuset. Alla tre metoderna var bra på att skilja högrisk- från lågriskpatienter, men gradient boosting-modellen erbjöd den bästa balansen mellan noggrannhet och tillförlitlighet i sina riskuppskattningar, och gav störst potentiell klinisk nytta när resultaten bedömdes på det sätt en läkare faktiskt skulle använda dem vid sängkanten.

Att göra svart låda transparent

En vanlig oro med artificiell intelligens inom medicin är att den beter sig som en svart låda och ger svar utan skäl. För att undvika detta använde forskarna en teknik kallad SHAP som bryter ner varje prediktion i bidrag från de fem indatafaktorerna. Över hela gruppen var lägre medvetandenivåer och större hjärnhematom de starkaste drivkrafterna för behov av trakeostomi, följt av högre ålder, längre operationstid och lägre bikarbonatnivåer. För enskilda patienter kan verktyget visa en enkel stapelliknande bild som visar hur varje faktor tryckte deras personliga risk uppåt eller nedåt, vilket ger kliniker och familjer en intuitiv förklaring i stället för bara en siffra.

Från forskningsmodell till verktyg vid sängen

För att göra sitt arbete användbart i vardaglig praktiken byggde författarna en kostnadsfri webbaserad kalkylator. En kliniker kan mata in en patients ålder, Glasgow Coma Scale-poäng, hematomstorlek, operationstid och bikarbonatnivå, och verktyget returnerar en uppskattad sannolikhet för att patienten kommer att behöva trakeostomi, tillsammans med en visuell förklaring. Även om studien har begränsningar—den är retrospektiv, från en region, och inkluderar ännu inte längre tidsförlopp i patientens tillstånd—visar den att ett litet, transparent set av faktorer kan fånga mycket av risken.

Vad detta betyder för vårdbeslut

Enkelt uttryckt drar studien slutsatsen att en förklarbar AI-modell som använder bara fem rutinmässiga mått kan ge en pålitlig tidig uppskattning av huruvida en patient som genomgått hjärnkirurgi för en allvarlig blödning sannolikt kommer att behöva trakeostomi. Denna typ av verktyg kan inte ersätta medicinskt omdöme, men den kan stödja mer informerade samtal med familjer, hjälpa till att planera personal och utrustning på intensivvårdsavdelningar och vägleda framtida studier om när trakeostomi bör utföras. Med vidare testning på andra sjukhus skulle det kunna bli en del av standardvården för några av de allvarligast sjuka strokepatienterna.

Citering: Qiao, F., Xue, X., Yu, H. et al. Explainable machine learning prediction of tracheostomy after craniotomy for supratentorial intracerebral hemorrhage. Sci Rep 16, 11495 (2026). https://doi.org/10.1038/s41598-026-41953-x

Nyckelord: stroke, trakeostomi, hjärnkirurgi, maskininlärning, intensivvård