AI a szívrehabilitációra alkalmas betegek azonosítására

A testedzés, fizikai tréning a szívrehabilitáció egyik alapvető eleme a koszorúér-betegségben szenvedő betegek számára, és a jelenlegi irányelvek a legmagasabb szintű ajánlásként sorolják be a későbbi kardiovaszkuláris események kockázatának csökkentésére. Ennek ellenére a páciensek jelentős hányada – becslések szerint legalább minden ötödik beteg – alig vagy egyáltalán nem mutat mérhető javulást a terhelhetőségben, még akkor sem, ha a teljes rehabilitációs programot teljesíti. Az úgynevezett „nem reagáló” betegek korai azonosítása lehetővé tenné, hogy a kezelőorvosok már a program elején módosítsák a terápiás tervet, ahelyett hogy csak hetek elteltével derülne ki a beavatkozás korlátozott hatékonysága.

A németországi Witten/Herdecke Egyetem és a DRV Clinic Königsfeld kutatói, a görögországi FORTH Intézet kollégáival együttműködve gépi tanulási módszerekkel vizsgálták ezt a problémát. Elemzésükben 353 olyan koszorúér-beteg adatait dolgozták fel, akik szívinfarktust szenvedtek el, illetve angioplasztikán vagy bypass-műtéten estek át, és mindannyian részt vettek egy 3-4 hetes, fekvőbetegek számára kidolgozott szívrehabilitációs programban. A kutatók kizárólag a rehabilitáció kezdetén gyűjtött információkat használták fel, köztük a kardiopulmonális terheléses vizsgálat eredményeit és a pulzushullám-analízist, amely a verőerek merevségét és a vaszkuláris funkciót nem invazív módon méri. Ezek alapján tíz különböző gépi tanulási algoritmust tanítottak be arra, hogy előre jelezzék, mely betegek mutatnak majd klinikailag jelentős javulást a csúcs oxigénfelvételben (V̇O₂peak), amely a kardiovaszkuláris fittség és a hosszú távú túlélés egyik legfontosabb mutatója. A vizsgált modellek közül a Random Forest bizonyult a leghatékonyabbnak, 77%-os pontossággal különítve el a reagáló és nem reagáló betegeket. A Boris Schmitz és Frank Mooren professzorok által vezetett tanulmány a Journal of Sport and Health Science folyóiratban jelent meg.

Különösen figyelemre méltó, hogy a rehabilitáció kezdetén a reagáló és nem reagáló betegek hagyományos klinikai jellemzők alapján – életkor, nem, testtömegindex, kiindulási fittség, kórelőzmény – gyakorlatilag nem voltak megkülönböztethetők. Az AI-modellek működését magyarázó SHAP-elemzés azonban feltárta, hogy a legfontosabb előrejelző tényezők a légzés hatékonyságával és az artériás merevséggel álltak összefüggésben. Azok a betegek, akik terhelés során több ventilációt igényeltek az elfogyasztott oxigén egységére vetítve, kisebb légzési tartalékkal rendelkeztek, vagy nagyobb artériás merevséget mutattak (magasabb pulzushullám-sebesség), kisebb valószínűséggel profitáltak a tréningből. Emellett két vérnyomáscsökkentő gyógyszerosztály – az angiotenzin II receptorblokkolók és a kalciumcsatorna-blokkolók – szintén befolyásolták a prognózist, míg az alapbetegség típusa vagy súlyossága kevéssé hatott a kimenetelre.

A kutatók szerint a modell azt mutatja, hogy a szívrehabilitáció kezdetén rutinszerűen gyűjtött adatok alapján már korán azonosíthatók azok a betegek, akik várhatóan nem fognak reagálni a standard tréningre. Ez megnyitja az utat a személyre szabott rehabilitációs programok előtt, amelyekben nem mindenki ugyanazt a terhelési protokollt kapja, hanem a várhatóan kevésbé reagáló betegek már a folyamat elején módosított vagy intenzívebb beavatkozásban részesülhetnek.

A szerzők hangsúlyozzák, hogy az eredmények egy olyan személyre szabott rehabilitációs modell felé mutatnak, amelyben a kiindulási vaszkuláris és respiratorikus jellemzők – nem csupán a hagyományos rizikófaktorok, mint az életkor vagy a betegség súlyossága – meghatározó szerepet játszanak a tréningprogramok kialakításában. Ugyanakkor óvatosságra intenek, mivel a modellt egy specifikus populáció alapján fejlesztették, ezért további validációra van szükség idősebb betegek, több társbetegséggel élők, illetve eltérő struktúrájú rehabilitációs programok esetében.

Írásunk az alábbi közlemények alapján készült:

Machine learning model can identify likely non-responders to exercise-based cardiac rehabilitation

A machine learning approach predicts improvement of physical exercise capacity based on pulse wave analysis in coronary artery disease patients

Irodalmi hivatkozás:

Schäfer, H., et al. (2026). A machine learning approach predicts improvement of physical exercise capacity based on pulse wave analysis in coronary artery disease patients. Journal of Sport and Health Science. DOI: 10.1016/j.jshs.2026.101144. https://www.sciencedirect.com/science/article/pii/S2095254626000256?via%3Dihub