Multimodalt kontrastivt prognostiseringsramverk för tidig prediktion av neurologiskt utfall hos patienter efter hjärtstopp

Varför tidigt bedömt hjärnutfall efter hjärtstopp spelar roll

Efter ett plötsligt hjärtstopp blir många personer återupplivade men förblir medvetslösa, vilket lämnar familjer och vårdgivare i plågsam osäkerhet om hjärnan kommer att återhämta sig. Nuvarande riktlinjer skjuter ofta upp säkra prognoser i minst tre dagar, även om viktiga beslut om behandlingsintensitet, resursanvändning och familjens förväntningar måste fattas mycket tidigare. Denna studie undersöker om artificiell intelligens på ett säkert sätt kan använda information som redan finns under de första timmarna efter återupplivning för att ge klarare, tidigare insikter om sannolik hjärnåterhämtning.

En närmare titt på problemet

Plötsligt hjärtstopp drabbar hundratusentals människor varje år i USA, och överlevnad med meningsfull hjärnåterhämtning är fortfarande ovanligt. Efter att blodflödet återställts förblir många patienter i koma till följd av syrebrist i hjärnan. Läkare kan undersöka pupiller och rörelser, studera hjärnans elektriska aktivitet, mäta blodmarkörer och granska hjärnskanningar, men var och en av dessa metoder är ofullkomlig. Sedation, utrustningsbegränsningar och motstridiga testresultat bidrar alla till osäkerhet. På grund av dessa utmaningar väntar många sjukhus minst 72 timmar innan de ger en säker prognos, vilket lämnar ett tomrum under den tidiga fasen när vårdens inriktning bestäms.

En ny metod för att kombinera skanningar och sängnära data

För att hantera detta gap byggde forskarna ett multimodalt AI-system kallat CLAIR som blandar hjärn-CT med rutinmässig klinisk information för att prediktera patientens Cerebral Performance Category-score, ett standardmått på hjärnutfallet vid utskrivning. CLAIR tittar inte bara på en enstaka bild eller ett enda värde. Istället tar modellen emot CT-rekonstruktioner från tre vyer av huvudet tillsammans med data såsom ålder, tid tills hjärtat började slå igen, kroppstemperatur, laboratoriemarkörer och resultat från elektriska hjärntester när sådana finns. En specialiserad arkitektur gör det möjligt för bildfunktioner och kliniska funktioner att "uppmärksamma" varandra, så att innebörden av en skanning kan tolkas i ett fullständigt kliniskt sammanhang.

Hur studien testade modellen

Teamet analyserade retrospektivt 208 vuxna som haft hjärtstopp och åtminstone en hjärn-CT vid ett enda medicinskt center mellan 2020 och 2022. Patienter som avbröt livsuppehållande behandling av icke-hjärnrelaterade skäl exkluderades för att fokusera på neurologiska utfall. Totalt samlades 306 CT-skanningar in, men avgörande var att huvudtesten av CLAIR endast använde skanningar tagna inom de första 24 timmarna efter hjärtstoppet, med en medianlig timing strax över tre timmar. Data delades per patient i tränings-, validerings- och testuppsättningar för att undvika överlapp. CLAIR tränades och utvärderades i två versioner: en som enbart använde information tillgänglig tidigt efter inläggning, och en annan som också inkluderade senare testresultat insamlade under sjukhusvistelsen.

Hur väl CLAIR presterade

CLAIRs prediktioner jämfördes med en stark bildbaserad deep learning-modell och med bedömningar av två erfarna neurologer. När modellen matades med både multivynade CT-skanningar och tidiga kliniska data uppnådde CLAIR ett område under ROC-kurvan på 0,94, klart högre än den enbart CT-baserade bilden, som nådde omkring 0,80. Det innebär att CLAIR var bättre på att skilja patienter som så småningom skulle få gott hjärnutfall från dem som inte skulle det. Båda versionerna av CLAIR visade hög noggrannhet, känslighet och specificitet. I en separat övning med 20 särskilt utmanande fall gjorde både människor och AI några misstag, men kliniker som fick se CLAIRs prediktioner gjorde färre prognosfel än när de arbetade ensamma, vilket tyder på att verktyget kan fungera som ett användbart andra utlåtande snarare än en ersättning för expertbedömning.

Vad detta kan betyda för patienter och familjer

Studien visar att ett AI-system som gemensamt analyserar tidiga hjärn-CT och sängnära kliniska data kan ge mer exakta tidiga prognoser av neurologiskt utfall efter hjärtstopp än enbart bildbaserade metoder. Även om arbetet bygger på ett enkla centrum med en måttlig datamängd och behöver bekräftas i större, mer varierade populationer, pekar det mot en framtid där läkare och familjer kanske inte behöver vänta flera dagar för en välgrundad bild av sannolik återhämtning. Använt med försiktighet och tillsammans med klinisk expertis kan sådana verktyg stödja mer tidsenliga och genomtänkta beslut om fortsatt behandling, kommunikation med anhöriga och rättvis användning av intensivvårdsresurser.

Citering: Kasturi, A., Proctor, A.R., Vosoughi, A. et al. Multimodal contrastive prognostication framework for early neurological outcome prediction in post-cardiac arrest patients. Sci Rep 16, 15582 (2026). https://doi.org/10.1038/s41598-026-45573-3

Nyckelord: hjärtstopp, neurologiskt utfall, hjärn-CT, artificiell intelligens, prognostisering