Cor Vasa 2026, 68(5):590-599 | DOI: 10.33678/cor.2026.033

Machine Learning-Based Prediction of Long-Term Survival and Failure to Rescue after Coronary Artery Bypass Grafting: A Systematic Review

Merlinda Dwintasari^{a, b}, Danang Himawan Limanto^{a, b}, Chikita Nur Rachmi^b, Oky Revianto Sediono Pribadi^b, Yan Efrata Sembiring^{a, b}

^a Departement of Thoracic, Cardiac, and Vascular Surgery, Faculty of Medicine, Airlangga University, Surabaya, Indonesia

^b Departement of Thoracic, Cardiac, and Vascular Surgery, Dr. Soetomo General Teaching Hospital, Surabaya, Indonesia

Úvod: Koronární bypass (coronary artery bypass grafting, CABG) nadále představuje zlatý standard chirurgické revaskularizace u komplexní ischemické choroby srdeční. I když došlo k podstatnému zlepšení v oblasti krátkodobé mortality, dlouhodobého přežívání a neúspěšných pokusů o záchranu pacienta se závažnými komplikacemi (failure to rescue, FTR), stále představují významné téma klinické praxe. Tradiční modely rizika používající regresní analýzu mohou nedostatečně zachycovat složité nelineární interakce mezi perioperačními proměnnými. Tento přehled je syntézou současných důkazů týkajících se rozhodujících faktorů přežívání a úlohy strojového učení (machine learning, ML) v predikování výsledného stavu po CABG.

Metody: S cílem vyhledat studie publikované v období mezi lednem 2015 a lednem 2024 byla s použitím kritérií PRISMA provedena systematická rešerše databází PubMed a ScienceDirect. Za vhodné pro daný účel byly považovány studie zahrnující dospělé pacienty s izolovaným koronárním bypassem (coronary artery bypass grafting, CABG), v nichž byly uvedeny hodnoty přežívání nebo neúspěšný pokus o záchranu pacienta se závažnými komplikacemi (FTR); ve studiích přitom musely být k predikci použity tradiční statistické modely nebo modely využívající strojové učení. Byly zvoleny relevantní parametry spolehlivosti modelu a klíčové proměnné predikce a byla provedena kvalitativní syntéza získaných hodnot.

Výsledky: Z celkového počtu 3 701 vyhledaných záznamů splňovalo kritéria pro zařazení do naší studie 26 studií a ty byly použity v kvalitativní syntéze. Jednoleté přežívání po CABG se pohybovalo v rozmezí 87-94 %, přičemž u pětiletého přežívání to bylo 67-88 % a v případě desetiletého přežívání byla hodnota 52-75 %. Celková incidence neúspěšných pokusů o záchranu pacienta se závažnými komplikacemi (FTR) dosáhla přibližně 2-3 %, přičemž mortalita byla výrazně vyšší po závažných komplikacích jako selhání ledvin (~25 %) a cévní mozková příhoda (~13 %). Mezi prediktory nepříznivého výsledku pravidelně patřily pokročilý věk, snížená ejekční frakce levé komory, diabetes mellitus, dysfunkce ledvin a cerebrovaskulární onemocnění. Modely s použitím strojového učení - zvláště souborové algoritmy v kombinaci s technikami intepretovatel nosti SHAP - prokázaly vyšší predikční přesnost a diskriminační spolehlivost ve srovnání s tradičními postupy využívajícími regresní analýzu.

Závěr: Délka dlouhodobého přežití po CABG se značně liší a závisí na velkém počtu klinických faktorů. Stra tifikace rizika s použitím strojového učení zvyšuje přesnost predikce a umožňuje její interpretovatelnou in dividualizaci. Začlenění validovaných nástrojů umělé inteligence do jednotlivých kroků při provádění CABG může zvýšit perioperační rozhodování a snížit počty neúspěšných pokusů o záchranu pacienta při závažných komplikacích (FTR).

Klíčová slova: Koronární bypass, Neúspěšný pokus o záchranu pacienta při závažných komplikacích (failure to rescue, FTR), Predikce rizika, Přežívání, Strojové učení, Umělá inteligence

Vloženo: 6. březen 2026; Revidováno: 6. březen 2026; Přijato: 4. duben 2026; Zveřejněno online: 13. říjen 2026; Zveřejněno: 20. říjen 2026  Zobrazit citaci