Hoppa till huvudinnehåll
Bild
Överblicksbild över operationsrum, med en mängd monitorer. Operation pågår i bakre delen av rummet.
Operationsrum på Sahlgrenska Universitetssjukhuset.
Foto: Sahlgrenska Universitetssjukhuset
Länkstig

AI kan upptäcka sekundär stroke efter hjärnblödning

Publicerad

I framtiden kan kanske komplikationer efter pulsåderbråcksblödning i hjärnan begränsas eller hotande stroke undvikas, genom ett nytt vårdsystem som varnar om patienter börjat utveckla tecken på syrebrist i hjärnan. I ett samarbete mellan medicin och teknik i Göteborg använder forskare maskininlärning och AI för att hitta användbara markörer i de signaler som redan idag samlas in på neurointensivvården.

Helena Odenstedt Hergès är docent och adjungerad universitetslektor i anestesiologi och intensivvård vid Göteborgs universitet, och vårdenhetsöverläkare på Sahlgrenska Universitetssjukhusets neurointensivvårdsavdelning (Niva). Där vårdas patienter för allvarliga skall- och ryggradskador eller för akut neurologisk sjukdom.

En del av patienterna på Niva, något hundratal per år, behandlas för pulsåderbråcksblödning i hjärnan. Det är en form av stroke som företrädelsevis drabbar yngre personer.

Bild
porträtt Helena Odenstedt Hergès
Helena Odenstedt Hergès
Foto: privat

– När patienten först kommer in gäller det i det akuta skedet att laga blodkärlet och få stopp på blödningen. Någon vecka efteråt finns det sedan en betydande risk för att kvarvarande blod retar hjärnhinnan vilket kan skapa en rad följdeffekter som i sin tur kan orsaka kärlkramp och syrebrist i hjärnan med stroke som följd, berättar Helena.

Svårt upptäcka tecknen

För de patienter som är sövda eller inte återfått fullt medvetande kan det vara svårt för personalen på Niva att se tecknen på påverkan i hjärnan, och därför började Helena och hennes kollegor undersöka om det skulle kunna gå att skapa ett nytt varningssystem, baserat på de monitoreringssignaler som redan samlas in eller som kan samlas in på ett relativt enkelt sätt. Deras inledande studier tydde på att detta troligen skulle kunna fungera, men de insåg att de inte hade möjlighet att skapa överblick över den stora mängden data det rörde sig om.

Från bilar till medicinsk övervakning

Miroslaw Staron är professor vid institutionen för data- och informationsteknik, en institution som både tillhör Chalmers och Göteborgs universitet. I sin forskning arbetar han med utveckling av mjukvara och samarbetar ofta med arkitekter, programmerare, designers och testare på stora mjukvaruutvecklingsföretag. Det samarbete han nu har med Helena är hans första med medicinsk tillämpning, och han uppskattar möjligheten att sätta sig in i hur de olika signaler som monitoreras inom intensivvården fungerar.

Bild
porträtt Miroslaw Staron
Miroslaw Staron

– Det är väldigt spännande och utvecklande att samarbeta i ett team med så olika bakgrund, och det är intressant att få läsa in mig på ett nytt område. Jag läser in mig för att få en djupare förståelse för de olika signaler som mäts inom intensivvård och hur vi kan använda de signalerna för att träna AI, säger Miroslaw.

– Det är imponerande hur mycket Miroslaw lärt sig inom området – betydligt mer än vi kliniker lyckats lära oss om programmering och artificiell intelligens, fyller Helena på.

Talar samma språk

Projektet använder maskininlärning, som är en typ av artificiell intelligens, för att lära en algoritm känna igen när blodflödet till hjärnan försämrats. Genom att analysera stora mängder av data kan AI upptäcka mönster i realtid som annars tar lång tid att analysera. Helena konstaterar att både hon själv och Miroslaw är ute på okänd mark, men att samarbete fungerar väldigt bra:

– Det är roligt att diskutera med någon som kommer från ett helt annat fält. Vi har hittat en plattform där vi kan tala samma språk och samtidigt höja vår egen nivå genom att få kunskap inom det andra fältet, säger Helena och konstaterar att det tar lång tid att utveckla nya applikationer till vården, och att kraven är högt ställda på att nya metoder ska vara effektiva och säkra:

– Innan vår forskning kan resultera i en monitor med en larmsignal för när patienten försämras måste mycket arbete läggas ner på att utvärdera tekniken för att säkerställa funktionen.

En annan hänsyn som måste tas när man ska införa AI-baserade system i sjukvården är behovet av den digitalisering som är på gång. Inom många fält återstår en del utvecklingsarbete innan data som kan analyseras med AI finns tillgänglig.

Operation blir forskningsmodell

Totalt ingår ett tiotal personer i forskningssamarbetet, som redan lett till en publicerad artikel och ytterligare tre på väg in i vetenskaplig tidskrift. Hittills har resultaten kopplat retrospektiva data från monitorering av patienter till risk för syrebrist i hjärnan. Nu undersöker forskarna också signalerna i realtid, genom att låta så kallad karotiskirurgi fungera som en forskningmodell. Det kirurgiska ingreppet görs för att behandla stroke eller TIA, och innebär att blodflödet till det drabbade området i hjärnan tillfälligt stängs av.

– Vi tar in synkroniserad information om bland annat hjärtfrekvens, variabilitet, blodtryck, andningsfrekvens och syresättning. Till skillnad från de komplikationer som kan uppstå för patienter efter pulsåderbråcksblödning kan vi koppla förändringar i signalerna kopplas till den exakta tidpunkten då vi vet att blodflödet stoppats, säger Helena.

Inkludering pågår

Bild
Monitor i operationsrum
Moberg-monitorn används för insamling av tidsmässigt högupplösta fysiologisk signaler som därefter bearbetas med AI.

Patienter inkluderas just nu kontinuerligt i studien och Miroslaw tillför ny data till algoritmen allteftersom.

– Den kliniska modellen är viktig för att algoritmen ska kunna förstå vilka mönster som är relevanta i fortsatt analys. Genom vårt samarbete har vi kommit till en-minuts noggrannhet av igenkänning av olika händelser som uppstår under operationen, och även under post-operativ vård, säger Miroslaw.

Han konstaterar att det krävs data från olika typer av patienter för att nå fram till ett system som är robust, kostnadseffektivt och användarvänligt.

– En viktig del i arbetet är också att se till att vi inte får med för många falskt positiva resultat eftersom det innebär en risk att systemet blir mindre pålitligt. Vi behöver också optimera antalet signaler för att kunna skapa ett tillförlitligt system som andra sedan kommer kunna använda, avslutar han.