Forskere bruker kunstig intelligens for å avdekke blodpropp

Denne artikkelen er produsert og finansiert av Høgskolen i Østfold - les mer.

Magnusson peker her på grafer som viser at maskinlæringsmodellene er bedre den modellen som benyttes i dag på sykehuset. (Foto: Nina Skajaa Fredheim / HiØ)

Metoden kan revolusjonere diagnostisering av en tilstand som kan være livstruende.

Forskning baner nå vei for en innovativ tilnærming til å avdekke blodpropp, som på fagspråket heter dyp venetrombose (DVT).

– Dagens metoder for tidlig diagnostisering av DVT har velkjente begrensninger. Det sier forsker Lars Vidar Magnusson. Han er ansvarlig for prosjektet fra Høgskolen i Østfold sin side.

Utenfor sykehusene benyttes i dag modellen kalt «Well's score» til å identifisere pasienter med mulig DVT. 

Denne modellen tar hensyn til risikofaktorer, symptomer, medisinsk historie og fysiske funn. 

Forsker Lars Vidar Magnusson er med på å utvikle en app som leger i fremtiden kan bruke for å avdekke blodpropp. (Foto: Nina Skajaa Fredheim / HiØ)

Svakhet i modellen

Svakheten er at flere av kriteriene er basert på subjektive vurderinger. De blir tolket forskjellig av ulike leger. Dette er for eksempel smerte, hevelse eller rødhet i et ben. De sjekker også om en annen diagnose er sannsynlig .

Etter at disse kriteriene er vurdert, tar legen en blodprøve for å identifisere pasienter med DVT. Her måles mengden fibrin-D-dimer i blodet. Det er et nedbrytningsprodukt av blodpropper.  

Pasienter med såkalt høy D-dimer henvises til ultralyd. De med lav mengde trenger ikke ytterligere testing. Lav D-dimer kan nemlig utelukke blodpropp.

Det er et tverrfaglig team av forskere fra Høgskolen i Østfold, Sykehuset Østfold og Sahlgrenska Universitetssykehus i Gøteborg som arbeider sammen for å forbedre pasientbehandlingen. 

Et av målene er å samtidig redusere helsekostnader ved å ta i bruk mer avanserte modeller for maskinlæring.

Utfordringer med dagens metoder

Ifølge forskere er denne testen svært effektiv. Den identifiserer nærmest alle med DVT. Likevel har den veldig lav nøyaktighet.

– Det kan føre til unødvendige tester hos pasienter som egentlig ikke har blodpropp, sier Magnusson.

For å bekrefte mistanken om blodpropp, må pasienter gjennomgå en ultralydundersøkelse. Det er både en kostbar og tidkrevende prosess.

Nytt verktøy med kunstig intelligens

Den nye tilnærmingen skal være mer presis. Slik kan pasienter uten blodpropp utelukkes fra unødvendige undersøkelser. 

Ved å bruke avanserte algoritmer for maskinlæring har forskerne allerede sett lovende resultater. Disse tyder på en betydelig forbedring sammenlignet med dagens verktøy for å stille diagnose.

– Så langt tyder det på at vi kan få en langt mer presis identifisering av pasienter med DVT med maskinlæring enn med Well's score og D-dimer, sier Magnusson.

App for leger

Teknikere har utviklet en prototype av en app basert på resultatene til forskerne. Appen vil bli testet av både sykehusleger og fastleger i løpet av året.

– Vi ønsker å vise at dette kan bli et effektivt produkt som legene føler seg trygge på å bruke. Målet er å skape et verktøy som kan gi leger økt trygghet i diagnosene sine, sier forskeren.  

Han sier det vil spare pasienten for bryet med å bli sendt til sykehus og bli undersøkt videre om det ikke er nødvendig. Det vil dessuten spare helsevesenet for både tid og penger. 

Forskningsleder ved Sykehuset Østfold, Ghanima Waleed, har stor tro på den nye løsningen for å avdekke blodpropp.

– Dette er det første reelle prosjektet som tar i bruk maskinlæring for å forbedre diagnostikken. Vi har stor tro på at vi sammen med høgskolen vil klare komme med mer effektive løsninger som vil endre praksisen både nasjonalt og internasjonalt, sier han.

Han forteller at Sykehuset Østfold har kunstig intelligens som et satsningsområde i sin forskningsstrategi, i tillegg til et samarbeid med Høgskolen i Østfold.

– Maskinlæring kan forbedre diagnostikken, sier forskningsleder Ghanima Waleed. (Foto: Sykehuset Østfold)

Metoden som benyttes

Forskerne bygger videre på forskning som viser at maskinlæring gir en betydelig forbedring fremfor dagens systemer for å forutsi blodpropp. 

Modellene for maskinlæring som oppnår disse lovende resultatene, er trent på et datagrunnlag som består av en rekke blodprøver og andre kliniske målinger tatt av mer enn 1.400 pasienter.

Forskerne samler nå inn ytterligere data fra nye 1.000 pasienter. Det gjør de for å kontrollere og sikre at det er samsvar i resultatene fra forrige runde. Videre skal de kunne trene enda bedre modeller i fremtiden.

Magnusson forteller at de nye dataene skal brukes til å bekrefte modellene de allerede har trent. 

De skal gi dem et mål på hvor godt modellene vil fungere på nye pasienter. Forskerne samler også inn nye typer data som vil gjøre at de kan bruke modellene utenfor sykehuset.

Forskerne håper at en fullversjon av appen, bygget på de nye modellene for kunstig intelligens, kan bli tatt i bruk i løpet av de neste årene.