Et tverrfaglig team av forskere fra Høgskolen i Østfold, Sykehuset Østfold og Sahlgrenska Universitetssykehus i Gøteborg, arbeider sammen for å forbedre pasientbehandling og samtidig redusere helsekostnader ved å ta i bruk mer avanserte maskinlæringsmodeller.
Utfordringer med dagens metoder
– Dagens metoder for tidlig diagnostisering av DVT har velkjente begrensninger, sier forsker Lars Vidar Magnusson, som er ansvarlig for prosjektet fra Høgskolen i Østfold sin side.
Utenfor sykehusene benyttes i dag en modell ved navn Well's score til å identifisere pasienter med mulig DVT. Modellen tar hensyn til forskjellige risikofaktorer, symptomer, medisinsk historie og fysiske funn. Svakheten til metoden er at flere av kriteriene som brukes baserer seg på subjektive vurderinger som blir tolket forskjellig av ulike leger, som for eksempel smerte, hevelse eller rødhet i et ben om en annen diagnose er sannsynlig .
Etter estimering av Wells score tar man en blodprøve ved navn D-dimer for å identifisere pasienter med DVT. Pasienter med høy D-dimer henvises til ultralyd, mens de med lav D-dimer ikke trenger ytterligere testing siden lav D-dimer kan utelukke blodpropp.
I følge forskere er denne testen svært effektiv i at den identifiserer nærmest alle med DVT, men den har likevel veldig lav nøyaktighet.
– Denne tilnærmingen 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, som både er en kostbar og tidkrevende prosess.
Nytt verktøy med kunstig intelligens
Den nye tilnærmingen som forskerne utvikler, har til hensikt å være mer presis, slik at pasienter uten blodpropp kan utelukkes fra unødvendige undersøkelser. Ved å bruke avanserte maskinlæringsalgoritmer, har forskerne allerede sett lovende resultater som tyder på en betydelig forbedring sammenlignet med dagens diagnostiske verktøy.
– Indikasjonen så langt er at vi kan få en langt mer presis identifisering av pasienter med DVT med maskinlæring enn med Wells score og D-dimer, sier Magnusson.
En prototype av en app er blitt utviklet basert på resultatene som har blitt publisert, og den vil bli testet av både sykehusleger og fastleger i inneværende år.
– Vi ønsker å vise at dette kan bli et effektivt produkt som legene føler seg trygge på å benytte. Målet er å skape et verktøy som kan gi leger økt trygghet i diagnosene sine, spare pasienten for bryet med å bli sendt til sykehus og bli undersøkt videre om det ikke er nødvendig og spare helsevesenet for både tid og penger, sier forskeren.
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 og 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 definert AI som et satsningsområde i sin forskningsstrategi samt samarbeid med HiØ.
Metoden som benyttes
I denne fasen av prosjektet bygger forskerne videre på allerede publiserte resultater som viser at maskinlæring gir en tilsynelatende signifikant forbedring fremfor dagens systemer for å forutsi blodpropp. Maskinlæringsmodellene som oppnår disse lovende resultatene, er trent på et datagrunnlagsom består av en rekke blodprøver og andre kliniske målinger tatt av i overkant av 1400 pasienter.
Forskerne samler nå inn ytterligere data fra nye 1000 pasienter, for å kontrollere og sikre at det er samsvar i resultatene fra forrige runde og for å kunne trene enda bedre modeller i fremtiden
– De nye dataene skal benyttes til å validere modellene vi allerede har trent ved å gi oss et mål på hvor godt modellene vil fungere på nye pasienter. Vi samler også inn nye typer data som vil gjøre at vi kan benytte modellene prehospitalt, sier Magnusson.
Håpet er at den neste runden av prosjektet skal validere at både prediksjonsmodeller basert på maskinlæring og at prototypen av appen bygget på disse modellen fungerer som de er skal og at man kan se en fremtidig fullversjon av appen bli tatt i bruk i løpet av de neste årene.
Magnusson peker her på grafer som viser at maskinlæringsmodellene er bedre den modellen som benyttes i dag på sykehuset. Nina Skajaa Fredheim/HiØ.
Prosjektet med å utvikle systemer for beslutningstøtte for prediksjon av DVT er en del av Interreg-prosjektet Kontiki, som har som mål å bruke kunstig intelligens som beslutningsstøtte for pasienter og helsetjenester. Gjennom slike initiativer håper forskerne å forbedre livskvaliteten og forlenge levetiden til pasienter, samtidig som de optimaliserer ressursbruken i helsevesenet.