Hälsoekonomisk simuleringsmodellering av ett AI‑stött kliniskt beslutsstöd för koronar revaskularisering

Smartare val för hjärtvård

Personer med allvarliga förträngningar i hjärtats kranskärl ställs ofta inför ett svårt val mellan läkemedel, minimalt invasiva ingrepp eller öppen hjärtkirurgi. Denna studie ställer en enkel men viktig fråga: om läkare hade stöd av ett kraftfullt artificiellt intelligens (AI)‑verktyg som förutsäger framtida hälsa och kostnader, kunde patienterna då leva bättre liv samtidigt som vårdsystemet sparade pengar? Med hjälp av verkliga data från tiotusentals kanadensare med hjärtsjukdom visar forskarna att en AI‑guide ofta skulle rekommendera ett annat behandlingsval än det som faktiskt gavs — och att dessa förändringar både kan förbättra utfall och minska kostnader.

Tre olika vägar för ett sjukt hjärta

När kärl som förser hjärtat blir förträngda överväger läkare vanligtvis tre huvudalternativ. Ett är enbart läkemedel, där man använder mediciner för att kontrollera symtom och riskfaktorer. Ett annat är ett kateterbaserat ingrepp som vidgar tilltäppta kärl inifrån. Det tredje är bypasskirurgi, där blodet leds förbi tilltäppta kärl med hjälp av kärl som tas från andra delar av kroppen. Stora kliniska prövningar har jämfört dessa alternativ i utvalda patientgrupper, men verkliga fall är ofta mer komplicerade än de personer som deltar i forskningsstudier. Ålder, andra sjukdomar, anatomi och personliga preferenser kan alla göra valet oklart, vilket lämnar läkare och patienter att navigera i osäkerhet.

Vad AI‑systemet faktiskt gör

Forskarteamet utvärderade ett AI‑drivet beslutsstödsystem kallat Revaz AI. Det tränades på data från mer än 42 000 patienter som genomgått bilddiagnostik av sina kranskärl i Alberta, Kanada. För varje ny patient, och för varje av de tre behandlingsalternativen, förutspår Revaz AI sannolikheten för död eller svåra hjärtrelaterade händelser under de kommande tre och fem åren. Forskarna matade sedan in dessa prognoser i en detaljerad datorbaserad modell som följer varje patient över resten av livet och räknar upp två saker: vårdkostnaderna och mängden tid i gott hälsotillstånd, mätt som "kvalitetsjusterade levnadsår" (QALYs), ett standardmått som kombinerar livslängd och livskvalitet till ett enda tal.

Test av olika sätt läkare kan använda AI

Med registerdata från 25 942 verkliga patienter spelade författarna upp historien på en virtuell scen. För varje person simulerade modellen vad som skulle ha hänt under alla tre behandlingar, styrt av Revaz AI:s riskprognoser. De jämförde sedan dessa simulerade framtider med vad som faktiskt inträffade, utifrån tre hypotetiska regler för hur läkare kunde använda AI‑verktyget. I den första regeln valde läkarna det alternativ som gav bästa kombination av kostnad och hälsa, under antagandet att vårdsystemet var berett att betala en standard summa för varje extra år av god livskvalitet. I den andra regeln ignorerade läkarna kostnad och valde det alternativ som gav flest friska levnadsår. I den tredje, mer försiktiga regeln, höll sig läkarna till sin ursprungliga plan såvida inte AI föreslog en annan behandling som tydligt förbättrade patientens förväntade livskvalitet.

Stora skiften mot kirurgi och bättre värde

Över dessa scenarier skilde sig ofta de AI‑styrda valen från de ursprungliga besluten, vanligtvis genom att föra fler patienter mot bypasskirurgi istället för kateteringrepp eller enbart medicinering. Enligt den kostnadsmedvetna regeln skulle nästan tre fjärdedelar av patienterna i huvudanalysen ha fått en annan behandling, vilket i genomsnitt ledde till både lägre livstidskostnader och mer tid i gott hälsotillstånd. Även enligt den försiktiga regeln, där läkare endast ändrade kurs när AI visade tydlig nytta, skulle mer än hälften av patienterna ha behandlats annorlunda, åter med måttliga kostnadsbesparingar och betydande hälsoförbättringar. När modellen fokuserade enbart på att maximera friska levnadsår blev vissa strategier dyrare totalt sett men erbjöd ändå god kostnadseffektivitet enligt vanliga hälsopolitisk standard.

Varför dessa resultat är viktiga — och deras begränsningar

Studien antyder att AI‑baserat beslutsstöd kan hjälpa vårdsystem att få mer nytta för varje spenderad krona inom komplex hjärtvård. Genom att skräddarsy valen efter varje patients förutsagda framtid — inte bara dagens anatomi — föredrar verktyget ofta behandlingar som kostar mer initialt men förhindrar upprepade ingrepp och inläggningar senare, särskilt bypasskirurgi. Resultaten utgör dock en bästa‑fallets uppskattning. Modellen förutsätter att AIs riskprognoser är korrekta, att läkare alltid kan följa dess rekommendationer och att framtida patienter liknar dem i Alberta‑data och äldre kliniska prövningar. I verkligheten kommer kirurgisk kapacitet, patienternas skörhet, personliga preferenser och medicinska teknikers utveckling alla att begränsa hur nära klinisk praxis kan komma det simulerade idealet.

Vad detta betyder för patienter och vårdsystem

För patienter är slutsatsen inte att en dator ska bestämma deras behandling, utan att bättre användning av data kan skärpa dialogen med deras läkare. För vårdsystem visar arbetet att AI inte bara är en högteknologisk pryl utan ett verktyg som kan förbättra både utfall och ekonomi om det integreras omsorgsfullt i vården. Innan sådana system kan tas i bred användning behöver randomiserade kliniska studier bekräfta att användning av AI i verkliga kliniker verkligen förändrar beslut på det sätt som denna simulering förutsäger — och att dessa förändringar leder till längre, friskare liv till acceptabla kostnader.

Citering: Mullie, T., Puri, A., Bogner, E. et al. Health economic simulation modeling of an AI-enabled clinical decision support system for coronary revascularization. npj Digit. Med. 9, 249 (2026). https://doi.org/10.1038/s41746-026-02430-x

Nyckelord: kranskärlssjukdom, artificiell intelligens, kliniskt beslutsstöd, hälsoekonomi, bypasskirurgi