Kliniskt vägledda modeller eller grundmodeller? att förutsäga cervikal spondylotisk myelopati från elektroniska journaler

Varför det spelar roll att upptäcka detta ryggmärgsproblem tidigare

Cervikal spondylotisk myelopati (CSM) är ett komplicerat namn, men för många äldre vuxna utgör det en tyst fara för ryggmärgen. Det kan börja som klumpighet, en hasande gång eller toalettproblem och gradvis utvecklas till svår funktionsnedsättning eller till och med förlamning. Läkare missar det ofta i åratal eftersom tecknen är subtila och liknar vanligare besvär som artros eller karpaltunnelsyndrom. Denna studie ställer en aktuell fråga: kan mönster begravda i elektroniska journaler hjälpa till att flagga personer i riskzonen för CSM år innan en formell diagnos, och vilken typ av artificiell intelligens (AI) lämpar sig bäst för uppgiften?

En dold åkomma i en åldrande befolkning

CSM uppstår när åldersrelaterat slitage förtränger ryggmärgskanalen i nacken och trycker på ryggmärgen. Tillståndet är vanligt bland äldre; halsryggsbilddiagnostik visar ryggmärgskompression hos ungefär en tredjedel av personer över 60, och en betydande andel av dem kommer så småningom att utveckla symtom. Studier tyder dock på att patienter ofta får vänta två till sex år mellan de första tecknen och en korrekt diagnos, vilket förlorar värdefull tid då kirurgi eller andra insatser kunde ha förhindrat bestående skador. Eftersom befolkningen åldras och primärvårdens kliniker brottas med överfulla mottagningar och begränsad exponering för ryggradsbesvär växer behovet av skalbara sätt att upptäcka CSM tidigt.

Att förvandla journaler till ett tidigt varningssystem

Moderna elektroniska journaler fångar en detaljerad spårning av diagnoser, laboratorietester, ingrepp och mottagningsbesök. Forskarna resonerade att detta spår sannolikt innehåller ledtrådar till tidig CSM—såsom upprepade fall, nervtester eller sjukgymnastik—långt innan någon beställer specialiserad ryggradsbilddiagnostik. De sammanställde data från omkring 2 miljoner patienter i två stora amerikanska datamängder: en nationell försäkringsdatabas och journalerna från ett regionalt hälsosystem. Inom dessa identifierade de tiotusentals personer som så småningom fick en CSM-diagnos och matchade dem mot liknande patienter som inte gjorde det, vilket skapade en storskalig testbädd för att se om AI kunde förutsäga vem som senare skulle diagnostiseras med CSM vid tidpunkter mellan 6 och 30 månader i förväg.

Stor allmän AI kontra slimmade, kliniskt vägledda verktyg

Teamet jämförde flera typer av maskininlärningsmodeller som bearbetar journaldata. I ena änden fanns stora "grundmodeller"—kraftfulla, transformerbaserade system ursprungligen tränade på miljontals patientjournaler för att lära sig generella mönster i vårddata. I andra änden fanns mindre modeller byggda endast från en kort lista om 497 diagnos-, procedur- och läkemedelskoder, handplockade av ryggh-specialister som särskilt relevanta för CSM. Forskarna mätte prestanda med statistik anpassad för sällsynta sjukdomar och frågade hur mycket bättre varje modell var än slumpen när det gällde att identifiera patienter som senare skulle utveckla CSM över olika prediktionsfönster.

Noggrannhet hemma, tillförlitlighet på resa

När modeller tränades och testades inom samma stora, mångsidiga försäkringsdatabas presterade vanligtvis den största grundmodellen bäst och uppnådde upp till ungefär sex till sju gånger så hög noggrannhet som en icke-informativ klassificerare. Bilden förändrades dock när modellerna utvärderades i det oberoende hälsosystemet. Där presterade de enklare, kliniskt vägledda modellerna generellt bättre än de komplexa transformermodellerna och nådde i vissa fall upp till 13 gånger bättre resultat än slumpen i att förutsäga vilka patienter som snart skulle få en CSM-diagnos. En omvänd experimentuppställning—träning på det enskilda hälsosystemet och test på den nationella datamängden—gav en liknande bild: mindre, kliniskt fokuserade modeller tenderade att överföra bättre mellan institutioner. Subgruppsanalyser visade också att alla modeller fungerade bäst för patienter med tätare vårdkontakter, vilket väcker frågor om rättvisa för dem som söker vård mer sällan.

Vad detta betyder för patienter och läkare

Resultaten tyder på att AI kan hjälpa till att flagga personer med hög risk för CSM så mycket som två och en halv år innan diagnos, vilket potentiellt kan leda kliniker till tidigare neurologiska undersökningar och ryggradsbilddiagnostik. Studien lyfter dock också fram en avvägning: medan stora, sofistikerade AI-modeller kan utmärka sig på den data de tränats på, kan mindre, omsorgsfullt utformade modeller förankrade i klinisk expertis vara mer tillförlitliga när de flyttas till nya sjukhus och patientpopulationer. För patienter är slutsatsen hoppfull men nyanserad: intelligent användning av rutinmässiga vårddata kan förkorta den långa diagnostiska odyssé som många med CSM upplever, men framgång kommer att bero inte bara på kraftfulla algoritmer utan också på genomtänkt modellutformning, noggrann testning i skilda miljöer och fokus på jämlikhet så att fördelarna med tidig upptäckt delas brett.

Citering: Yakdan, S., Warner, B., Ghogawala, Z. et al. Clinically-guided models or foundation models? predicting cervical spondylotic myelopathy from electronic health records. npj Digit. Med. 9, 153 (2026). https://doi.org/10.1038/s41746-026-02337-7

Nyckelord: cervikal spondylotisk myelopati, elektroniska journaler, maskininlärning, grundmodeller, tidig diagnos