En förklarbar artificiell intelligens-ram för prediktion av ischemisk hjärtsjukdom med förbättrad ekorre-sökningsfunktion för urval av kännetecken

Varför smartare hjärtkontroller spelar roll

Hjärtsjukdom är fortfarande världens främsta dödsorsak, men läkare måste ofta balansera begränsad tid, många testresultat och komplexa datorverktyg. Denna studie visar hur ett lättförklarat artificiellt intelligenssystem kan hjälpa läkare att upptäcka ischemisk hjärtsjukdom tidigt samtidigt som dess resonemang förblir tydligt. Istället för att dölja sina beslut i en svart låda framhäver systemet vilka få mätningar som är viktigast, vilket hjälper kliniker att använda datorstöd utan att förlora förtroende eller kontroll.

Hjärtproblem och data bakom dem

Ischemisk hjärtsjukdom uppstår när blodflödet till hjärtat minskar, ofta på grund av tilltäppta artärer. Läkare tittar på många informationsbitar, såsom ålder, blodtryck, kolesterol, bröstsmärta och resultat från hjärtundersökningar. UCI Heart Disease-datasetet som används i detta arbete samlar 303 patientregister med 13 sådana faktorer plus en etikett som visar närvaro eller frånvaro av sjukdom. Även om denna rikedom hjälper prediktioner kan för många överlappande eller ovidkommande mätningar förvirra både människor och datorer, sakta ner analysen och ibland minska noggrannheten.

Rensa och slimma patientjournalen

Innan en dator kan lära sig av data måste de råa posterna rengöras och omformas. Forskarna fyllde i saknade värden med en metod som lånar information från liknande patienter, skalade alla mätningar till ett gemensamt intervall, omvandlade textliknande kategorier som typ av bröstsmärta till numerisk form och kontrollerade noggrant ovanliga värden för att skilja verkliga extrema fall från sannolika fel. De balanserade också antalet sjuka och friska patienter genom att generera realistiska extra exempel för den mindre gruppen, och tog bort funktioner som nästan var dubbletter av varandra. Resultatet är en prydlig tabell där varje kolumn är meningsfull och redo för analys.

Hur flygande ekorrar inspirerar val av funktioner

Studien bygger på idén att datorn inte behöver alla tillgängliga mätningar för att göra bra prediktioner. Istället bör den automatiskt söka efter en liten uppsättning av de mest informativa. För att göra detta använder författarna en optimeringsmetod inspirerad av hur flygande ekorrar söker efter föda i en skog. I deras förbättrade Ekorre-Sökningsoptimeringsprocedur representerar varje “ekorre” en möjlig delmängd av funktioner, och gruppen glider kollektivt genom sökutrymmet och justerar sina rörelser när framstegen avstannar. De bäst presterande kombinationerna behålls och finslipas i jakten på den minsta uppsättningen mätningar som fortfarande ger mycket korrekta beslut.

Att lära modellen och öppna den svarta lådan

När den ekorrinspirerade sökningen har valt en optimal delmängd av funktioner tränas en Random Forest-modell för att förutsäga vem som har hjärtsjukdom. Random Forest använder många något olika beslutsstammar vars omröstningar kombineras, vilket gör den slutliga prediktionen robust mot brus i data. På de utvalda funktionerna uppnår modellen omkring 96–98 procent noggrannhet och ett mycket högt resultat för att särskilja sjuka och friska patienter. För att göra dess logik begriplig tillämpar forskarna två förklaringsverktyg. Det ena, kallat SHAP, visar vilka faktorer som är mest inflytelserika över hela datasetet, medan det andra, LIME, zoomar in på enskilda patienter för att visa hur deras specifika värden driver prediktionen mot högre eller lägre risk.

Vad detta betyder för patienter och läkare

Enkelt uttryckt bygger studien en hjälp för prediktion av hjärtsjukdom som både är skarp och förklarande. Genom att begränsa indata till ett fåtal nyckelmätningar och sedan använda tydliga visuella förklaringar kan systemet säga åt en kliniker inte bara att en patient sannolikt har ischemisk hjärtsjukdom, utan också vilka fynd—som ett visst undersökningsresultat eller en nivå av ansträngningsrelaterad förändring—som driver det bedömningen. Denna balans mellan noggrannhet, enkelhet och tydlighet gör tillvägagångssättet bättre lämpat för verkliga kliniker, och det kan i framtiden utvidgas till större sjukhus och rikare datakällor som bärbara enheter och bilddiagnostik.

Citering: Cenitta, D., Arul, N., Arjunan, R.V. et al. An explainable artificial intelligence framework for ischemic heart disease prediction using enhanced squirrel search feature selection. Sci Rep 16, 15422 (2026). https://doi.org/10.1038/s41598-026-46823-0

Nyckelord: ischemisk hjärtsjukdom, förklarbar AI, prediktion av hjärtsjukdom, funktionsurval, random forest