Umělá inteligence – k předpovídání a prevenci hypotenze během operace

Každý rok je ve Švédsku operováno přibližně 800 000 pacientů. Z nich poměrně velká část trpí vážnými komplikacemi po operaci, jako je poškození srdce a ledvin, mrtvice a dokonce smrt. Existuje prokázaná souvislost mezi výše uvedenými komplikacemi a poklesy krevního tlaku během operace, což znamená, že v každém případě je možné některým komplikacím předejít, pokud je krevní tlak udržován na stabilní a adekvátní úrovni podle stavu každého jednotlivého pacienta.

Bohužel, epizody poklesu krevního tlaku jsou obtížně předvídatelné standardními dostupnými monitorovacími metodami, a proto se bohužel často vyskytují během operace. Ve Fakultní nemocnici Karolinska nyní budujeme nový systém, který s pomocí umělé inteligence dokáže bít na poplach ještě dříve, než dojde k poklesu krevního tlaku. Ve studii sbíráme a kombinujeme data ze standardního monitorování během operace; puls, krevní tlak, oxygenace, srdeční výdej, EKG, laboratorní hodnoty z krevních plynů u pacientů po operaci břicha, což je skupina pacientů, u kterých je vyšší riziko pooperačních komplikací. K těmto informacím přidáme také relevantní data z nové metody monitorování oběhu založené na změnách ve vydechovaném oxidu uhličitém. Zaznamenáme také příčinu poklesu krevního tlaku, jako je krvácení, dopad léků, dehydratace, s cílem, aby algoritmy AI byly schopny rozlišit různé příčiny nízkého krevního tlaku, protože vyžadují různá opatření. Algoritmy umělé inteligence budou zpočátku vyvinuty sběrem dat od velké skupiny pacientů a poté vyhodnocením na menší skupině dalších reprezentativních pacientů.

Data z našeho standardního monitoringu v souvislosti s operací jsou doplněna o odhady srdečního výdeje na základě kapnodynamické metody. Výzkumné subjekty budou uspány a ventilovány pomocí upraveného ventilátoru pro intenzivní péči (servo-i(R) Getinge). Tento ventilátor má software pro výzkumné použití, který je označen CE. Software upravuje dýchací vzorec ventilátoru přidáním mírně prodloužených pauz po třech z devíti dechů. Tento dechový vzor má za následek mírné kolísání hladiny vydechovaného oxidu uhličitého asi o 1 kPa. Ventilátor byl použit v několika velkých studiích na zvířatech a klinických studiích, z nichž dvě provedla naše výzkumná skupina. Vzhledem k tomu, že bude použit ventilátor intenzivní péče, jsou pacienti místo plynové anestezie anestetizováni tzv. celkovou intravenózní anestezií (TIVA). To se liší od naší současné rutiny v tomto typu chirurgie. TIVA se však používá v několika dalších typech operací a my se v této metodě dobře vyznáme. V několika nemocnicích u nás i v zahraničí je TIVA používána jako metoda první volby i při velkých nádorových operacích břicha, protože existují údaje, které naznačují, že u pacientů dochází k menším recidivám (metastázám) v důsledku. V průběhu péče jsou události, které se zaznamenávají tak, jak k nim došlo, aby byly následně přidány do materiálu pro kvalitativní analýzy. Příklady takových událostí jsou: podávání léků a tekutin, stejně jako pravděpodobná příčina hypotenze; krvácející změny polohy těla atd. Aby bylo možné porovnat výpočty smíšené žilní saturace metodou capno, budou během operace každou hodinu odebírány vzorky krve z centrálního žilního katétru. Každý vzorek obsahuje asi 2 ml krve. Při pětihodinové operaci to odpovídá asi 1 cl krve. Současně se vzorky žíly budou odebrány arteriální krevní plyny se stejnými objemy krve. Tyto vzorky se odebírají přibližně: Každé/každé dvě hodiny během chirurgického zákroku v klinické rutině, ale v protokolu studie budou odebírány každou hodinu synchronizovaně se vzorky z centrálního žilního katetru.

Také klinický výsledek, jako je délka péče a komplikace, jsou uloženy, takže dávka hypotenze může být spojena s komplikacemi. To, co je popsáno výše, jsou věci, které měříme a registrujeme v klinické rutině, a proto nemají žádný další dopad na výzkumné subjekty. Analýza dat je následně provedena našimi výzkumníky na našich počítačích a serverech. Prostřednictvím umělé inteligence (AI) a strojového učení (ML) budeme trénovat algoritmy umělé inteligence s cílem konstruovat účinné a přesné metody pro preventivní předpovídání nízkého krevního tlaku. Protože se používají zaznamenaná data, můžeme získat výsledek stejných dat a porovnat naše algoritmy s tím, co se skutečně stalo.