Kvantmaskininlärning för att förutsäga anastomosläckage: en klinisk studie

Varför denna studie är viktig för patienter och läkare

Anastomosläckage är en allvarlig komplikation som kan uppstå efter att kirurger återanslutit patientens tarm, och det kan leda till infektion, fler operationer eller till och med dödsfall. Denna studie ställer en aktuell fråga: kan nya, kvantdatorkrävande verktyg hjälpa läkare att bättre upptäcka vilka patienter som löper störst risk, jämfört med dagens standardmetoder inom statistik och maskininlärning, med samma små men noggrant insamlade sjukhusdata?

Att förstå en allvarlig kirurgisk komplikation

När en del av tarmen tas bort förenar kirurger de återstående ändarna i en förbindelse som kallas anastomos. Om denna sammanfogning inte läker kan tarminnehåll läcka ut i buken, vilket orsakar inflammation, sepsis och en lång, riskfylld återhämtning. På det studerade sjukhuset uppträdde läckage hos ungefär 14 procent av patienterna och var kopplat till upp till 40 procent av operationsrelaterade dödsfall, så även små förbättringar i prediktion skulle kunna rädda liv. Tidigare forskning har pekat på riskfaktorer som diabetes och rökning, och visat att vissa kirurgiska tekniker och övervakningsverktyg kan minska risken för läckage.

Vad forskarna mätte hos verkliga patienter

Teamet analyserade journaler från 200 patienter som genomgick kolorektal kirurgi mellan 2015 och 2016, varav 28 utvecklade ett läckage. De började med 76 uppgifter per patient, som täckte kirurgiska val och medicinsk historia. Genom detaljerade statistiska tester och diskussioner med kirurger reducerade de detta till en mindre uppsättning kliniskt meningsfulla faktorer. Fyra stack ut: om ett mjukt rektalt rör (NoCoil) användes för att avlasta tryck, om en viktig artär som försörjer tarmen (ACSP) bevarades, och om patienten hade diabetes (DM) eller rökte. Med dessa faktorer byggde de både traditionella prediktiva modeller och kvantneurala nätverksmodeller på den oförändrade, naturligt obalanserade datamängden för att efterlikna verkliga sjukhusförhållanden.

Hur kvantinspirerade modeller byggdes och testades

Kvantneurala nätverk är maskininlärningsmodeller som körs på kvantkretsar istället för enbart klassisk kod. I detta arbete simulerades de på en vanlig dator, men med realistiskt kvantmaskinvarubrus tillsatt, såsom slumpmässiga grindfel och begränsad mätprecision. Patientinformation kodades först in i kvanttillstånd och skickades sedan genom träningsbara lager som efterliknar en liten kvantkrets. Forskarna testade två huvudsakliga kretsdesigner och kombinerade dem med flera olika optimeringsstrategier, vissa med gradientbaserad inlärning och andra med evolutionsliknande sökmetoder, för att se vilka kombinationer som lärde sig bäst från data under brusiga förhållanden.

Jämförelse mellan kvant- och klassiska prediktioner

Den centrala jämförelsen gjordes vid en sensitivitet på 83 procent, en nivå vald för att reflektera en klinisk prioritering: att undvika att missa patienter som kommer att utveckla ett läckage, även om det innebär fler falska larm. Med denna sensitivitet fixerad nådde vissa kvantneurala nätverkskonfigurationer, särskilt de som använde EfficientSU2-kretsen med en BFGS-optimizer eller RealAmplitudes-kretsen med CMA-ES, specificiteter upp till 66 procent och negativa prediktiva värden upp till 96 procent. Klassiska modeller, inklusive logistisk regression och ett finjusterat multilagerperceptron, nådde som mest cirka 44 procent specificitet och 94 procent negativt prediktivt värde vid samma sensitivitet. Det betyder att de kvantbaserade modellerna gav färre falska positiva medan de fortfarande fångade samma andel verkliga läckage.

Styrkor, begränsningar och vad som händer härnäst

Medan kvantneurala nätverk var bättre på att tydligt skilja mellan hög- och lågriskpatienter, var de klassiska modellerna bättre på sannolikhetskalibrering: deras förutsagda riskprocent matchade observerade utfall mer troget. Det gör de klassiska tillvägagångssätten mer lämpliga för finfördelad riskskattning, till exempel när man väger olika behandlingsplaner. Studien begränsas också av sitt måttliga urval och data från en enda vårdinstans, vilket kan få modeller att verka bättre än de kommer att vara på nya patienter. Författarna betonar att större, multinationella studier och tester på verklig kvantmaskinvara krävs innan sådana verktyg kan förlitas på i rutinvård.

Vad detta innebär i klarspråk

I vardagliga termer visar studien att kvantliknande maskininlärning, åtminstone i simulering, kan hjälpa läkare att screena för en farlig komplikation efter tarmkirurgi och samtidigt ge färre falska larm än standardmetoder. Traditionella modeller ger dock fortfarande mer tillförlitliga riskprocent. För nu framstår kvantneurala nätverk som lovande som ett extra säkerhetsnät för tidig upptäckt, men de måste bekräftas i större patientgrupper och kombineras med tydliga, välkalibrerade riskuppskattningar innan de kan styra behandlingsbeslut direkt.

Citering: Novák, V., Zelinka, I., Přibylová, L. et al. Quantum machine learning for predicting anastomotic leak: a clinical study. Sci Rep 16, 15518 (2026). https://doi.org/10.1038/s41598-026-44402-x

Nyckelord: anastomosläckage, kvantmaskininlärning, kolorektal kirurgi, klinisk riskprediktion, medicinsk AI