Lågt blodsocker är en vanlig och ibland livshotande komplikation hos sjukhuspatienter. Nu har forskare utvecklat ett AI-system som kan identifiera patienter med hög risk för hypoglykemi upp till 24 timmar innan blodsockret faller till farliga nivåer. Tekniken skulle kunna ge vårdpersonal tid att ingripa innan allvarliga komplikationer uppstår.
Den nya modellen har utvecklats av forskare vid Cedars-Sinai Health Sciences University och bygger på djupinlärning. Genom att analysera information som redan finns i patienternas elektroniska journaler kan AI-systemet upptäcka riskmönster långt innan symtomen visar sig.
Ett vanligt problem på sjukhus
Hypoglykemi, eller lågt blodsocker, kan drabba många olika typer av sjukhuspatienter – inte bara personer med diabetes. Patienter som behandlas med insulin, fastar inför operation eller vårdas på intensivvårdsavdelningar löper ofta ökad risk.
Om blodsockret sjunker kraftigt kan det leda till kramper, medvetslöshet, hjärtrytmrubbningar och i värsta fall dödsfall. I dag upptäcks många fall först när blodsockret redan har blivit farligt lågt, vilket innebär att vården ofta tvingas agera reaktivt istället för förebyggande.
AI analyserar fem dygns patientdata
Forskarna tränade modellen med hjälp av data från över 143 000 sjukhusinläggningar vid tre olika sjukhus inom Cedars-Sinai Health System mellan 2014 och 2025.
Systemet använder en typ av djupinlärningsmodell som kallas Long Short-Term Memory (LSTM). Den analyserar patienternas journaldata i fyra timmars intervaller under en femdygnsperiod och väger samman bland annat:
- läkemedelsbehandling
- laboratorievärden
- blodsockermätningar
- måltider
- övriga kliniska data
Utifrån dessa uppgifter beräknar modellen sannolikheten för att patienten ska utveckla hypoglykemi inom de kommande 24 timmarna.
Visade god träffsäkerhet i verklig vårdmiljö
Efter att modellen tränats testades den inte bara på historiska data utan även prospektivt i sjukhusmiljö, där den analyserade inkommande patientdata i realtid.
När systemet identifierar en patient med förhöjd risk skickas en varning till vårdteamet tillsammans med information om vilka faktorer som bidrar mest till riskbedömningen. Det gör det möjligt att justera exempelvis insulinbehandling, näringstillförsel eller övervakning innan ett farligt blodsockerfall inträffar.
Kan förebygga flera fall varje dag
Forskarna uppskattar att AI-verktyget skulle kunna förebygga tre till fyra fall av hypoglykemi varje dag på ett större sjukhus.
Om tekniken införs brett skulle effekten kunna bli betydande, både genom färre komplikationer för patienterna och minskad belastning på sjukvården. Samtidigt bygger modellen enbart på information som sjukhusen redan samlar in, vilket innebär att den kan implementeras utan omfattande förändringar av den befintliga infrastrukturen.
Nästa steg är klinisk användning
Forskarna ser modellen som ett steg mot mer proaktiv och datadriven diabetesvård på sjukhus.
I stället för att vänta tills ett blodsockerfall inträffar kan vårdpersonalen få ett försprång och sätta in förebyggande åtgärder. Om framtida studier bekräftar resultaten kan liknande AI-system bli ett värdefullt stöd inom många delar av sjukhusvården där tidiga varningssignaler kan göra stor skillnad för patientsäkerheten.
Publikationsuppgifter
Amanda Momenzadeh et al, Development and prospective evaluation of a real-time deep learning model for inpatient hypoglycemia prediction, npj Digital Medicine (2026). DOI: 10.1038/s41746-026-02874-1.
