Diagnos av kranskärlssjukdom med signalbehandling och maskininlärning av hjärtljud: en systematisk översikt

Lyssna på hjärtat istället för att gå in i artärerna

Kranskärlssjukdom, där blodkärlen som försörjer hjärtat blir förträngda, är en av de främsta dödsorsakerna globalt. I dag bekräftar läkare vanligtvis denna sjukdom med invasiva undersökningar där katetrar föras in i hjärtat eller med kostsamma bilddiagnostiska maskiner. Denna studie ställer en enkel och lockande fråga: skulle noggrann analys av vanliga hjärtljud—inspelade med mikrofoner mot bröstkorgen och tolkade av datorer—kunna erbjuda en säker, snabb första kontroll för tilltäppta kranskärl?

Varför förträngda artärer ändrar hjärtats ljud

När en kranskärl är förträngd tvingas blodet genom en snävare öppning, vilket skapar turbulent, höghastighetsflöde. Den turbulensen kan generera svaga blåsljud och extra vibrationer, särskilt under hjärtats avslappningsfas när blodet normalt flyter lugnare. Samma nedsatta blodtillförsel kan försiktigt försvaga hjärtats kontraktion och förändra tidpunkten och styrkan i huvudslagen. Alla dessa förändringar omformar något hjärtslagets ”musik”. Moderna elektroniska stetoskop kan fånga dessa ljud, som sedan omvandlas till digitala signaler för datoranalys.

Hur forskarna sökte i vetenskaplig litteratur

Författarna genomsökte fyra stora medicinska databaser och granskade mer än tusen publikationer om hjärtljud och kranskärlssjukdom. Efter att ha tagit bort dubbletter, mycket små studier och artiklar med bristfälliga metoder landade de i 40 studier som tillsammans omfattade 13 814 personer. Nästan alla dessa studier bekräftade närvaron eller frånvaron av betydande kärlförträngning med standardiserad bilddiagnostik av kranskärlen, och jämförde sedan dessa fynd med vad som kunde utläsas ur hjärtljud. Ungefär hälften av studierna förlitade sig på traditionell signalbehandling—matematiska beskrivningar av ljudets energi och frekvens—medan den andra halvan använde maskininlärning, där algoritmer lär sig mönster direkt från data.

Begränsningar hos traditionella ljudmätningar

I den äldre ansatsen valde forskarna ut ett fåtal specifika ljudegenskaper som de trodde kunde spegla förträngda artärer. Typiska mått inkluderade hur mycket ljudenergi som dök upp i vissa frekvensband under hjärtats avslappningsfas eller hur långa och hur kraftiga huvudslagen var. Dessa studier såg ofta lovande ut i små patientgrupper och rapporterade ibland att de kunde identifiera sjukdom korrekt i mer än 70 procent av fallen. Men när stickproven växte till hundratals eller tusentals sjönk noggrannheten, ofta under 70 procent och ibland nära en slumpmässig gissning. Många av dessa studier testade också sina metoder på samma personer som användes för att ta fram dem, vilket väcker tvivel om resultaten skulle hålla i nya patientgrupper.

Maskininlärning hittar hjärtats dolda mönster

De nyare studierna valde en annan väg. I stället för att begränsa sig till några handplockade funktioner tillät de datoralgoritmer att lära sig rikare mönster i ljuden. Vissa kombinerade tiotals eller till och med hundratals traditionella mätningar; andra matade råa ljudvågor eller färgrika tids–frekvensbilder av hjärtslaget till djupa neurala nätverk. I 19 sådana studier rapporterade de flesta känslighet och specificitet över 80 procent, vilket betyder att systemen ofta identifierade både sjuka och friska individer korrekt. Viktigt är att de flesta maskininlärningsstudier testade sina modeller på hjärtljud från personer som inte använts för träning, vilket ger större förtroende för att verktygen kan generalisera. Modeller som lyssnade på hela hjärtcykeln, snarare än bara den tysta diastoliska fasen, tenderade att prestera bäst—vilket tyder på att användbara ledtrådar till kärlsjukdom finns utspridda i hela hjärtslaget, inte begränsade till ett enda ögonblick.

Vad detta kan innebära för vardaglig vård

Sammantaget tyder bevisen på att maskininlärning tillämpad på hjärtljud har verklig potential som ett icke-invasivt hjälpmedel för att upptäcka kranskärlssjukdom, medan enklare signalbehandlingsknep ensam sannolikt inte är tillräckligt exakta. Författarna varnar dock för att de flesta studier hittills varit små och genomförda på enstaka sjukhus, ofta under noga kontrollerade inspelningsförhållanden. För att gå från forskning till vardagsanvändning—kanske på akutmottagningar, vårdcentraler eller till och med i smartphone-baserade verktyg—behövs större, multicenterstudier. Dessa framtida studier måste visa att sådana system förblir exakta i olika patientgrupper, är begripliga för kliniker och integreras smidigt i vårdprocesser. Om dessa hinder kan övervinnas kan noggrant lyssnande på hjärtat med hjälp av artificiell intelligens en dag hjälpa till att fånga dold kärlsjukdom långt innan ett invasivt test behövs.

Citering: Ainiwaer, A., Konings, T.J., Kadier, K. et al. Coronary artery disease diagnosis with signal processing and machine learning of heart sound signals: a systematic review. npj Digit. Med. 9, 350 (2026). https://doi.org/10.1038/s41746-026-02530-8

Nyckelord: kranskärlssjukdom, hjärtljud, maskininlärning, icke-invasiv diagnos, digitalt stetoskop