Kunstig intelligens - til at forudsige og forebygge hypotension under operation

Hvert år bliver cirka 800.000 patienter opereret i Sverige. Af dem lider en relativt høj andel af alvorlige komplikationer efter operationen, såsom hjerte- og nyreskader, slagtilfælde og endda død. Der er en påvist sammenhæng mellem ovenstående komplikationer og blodtryksfald under operationen, hvilket betyder, at nogle af komplikationerne under alle omstændigheder potentielt kan undgås, hvis blodtrykket holdes på et stabilt og tilstrækkeligt niveau ud fra hver enkelt patients forhold.

Desværre er episoder med blodtryksfald svære at forudsige med de tilgængelige standardovervågningsmetoder og forekommer derfor desværre ofte under operationen. På Karolinska Universitetshospitalet bygger vi nu et nyt system, der ved hjælp af kunstig intelligens kan slå alarm allerede inden blodtryksfaldet indtræffer. I undersøgelsen indsamler og kombinerer vi data fra standardovervågningen under operationen; puls, blodtryk, iltning, hjertevolumen, EKG, laboratorieværdier fra blodgasser på patienter under abdominal operation, som er en gruppe patienter, der har en højere risiko for at lide af postoperative komplikationer. Til denne information vil vi også tilføje relevante data fra en ny metode til cirkulationsovervågning baseret på variationer i udåndet kuldioxid. Vi vil også registrere årsagen til, at blodtrykket er faldet, såsom blødning, medicinpåvirkning, dehydrering, med det formål, at AI-algoritmerne skal kunne skelne mellem forskellige årsager til lavt blodtryk, fordi de kræver forskellige tiltag. AI-algoritmerne vil i første omgang blive udviklet ved at indsamle data fra en stor gruppe patienter og derefter evaluere på en mindre gruppe af andre, repræsentative patienter

Data fra vores standardmonitorering i forbindelse med operation er suppleret med estimater af hjerteoutput baseret på den kapnodynamiske metode. Forsøgspersonerne vil blive lagt i søvn og ventileret via en modificeret intensiv respirator (servo-i(R) Getinge). Denne ventilator har en software til forskningsbrug, der er CE-mærket. Softwaren ændrer respiratorens åndedrætsmønster ved at tilføje lidt forlængede pauser efter tre ud af ni vejrtrækninger. Dette vejrtrækningsmønster resulterer i en mild variation i niveauet af udåndet kuldioxid på omkring 1 kPa. Ventilatoren har været brugt i flere store dyreforsøg og kliniske studier, hvoraf to er udført af vores forskningsgruppe. Fordi der skal bruges en intensiv respirator, bliver patienterne bedøvet med en såkaldt total intravenøs anæstesi (TIVA) i stedet for gasbedøvelse. Dette er forskelligt fra vores nuværende rutine i denne type operation. TIVA bruges dog i flere andre typer operationer og vi er velbevandret i metoden. På flere sygehuse i ind- og udland anvendes TIVA som førstelinjemetode selv ved større kræftoperationer i maven, fordi der er data, der tyder på, at patienter får mindre tilbagefald (metastaser) i efterforløbet. I løbet af plejeforløbet sker de hændelser, der registreres som opstår for derefter at blive tilføjet materialet til kvalitative analyser. Eksempler på sådanne hændelser er: administration af lægemidler og væsker, samt sandsynlig årsag til hypotension; blødende kropsstillingsændringer mv. For at kunne sammenligne capno-metodens beregninger af blandet venemætning, vil der blive udtaget blodprøver fra det centrale venekateter hver time under operationen. Hver prøve indeholder omkring 2 ml blod. Ved en fem timer lang operation svarer det til cirka 1 cl blod. Samtidig med veneprøverne udtages arterielle blodgasser med samme blodvolumener. Disse prøver tages cirka: Hver/hver anden time under operation i klinisk rutine, men i undersøgelsesprotokollen vil de blive taget hver time synkroniseret med prøverne fra det centrale venekateter.

Også kliniske udfald såsom varighed af pleje og komplikationer gemmes, så dosen af ​​hypotension kan kædes sammen med komplikationer. Det, der er beskrevet ovenfor, er ting, som vi måler og registrerer i den kliniske rutine og dermed ikke medfører yderligere påvirkning af forskningsemnerne. Analyse af data foretages efterfølgende af vores forskere på vores computere og servere. Gennem kunstig intelligens (AI) og machine learning (ML) vil vi træne AI-algoritmer med det formål at konstruere Effektive og præcise metoder til forebyggende forudsigelse af lavt blodtryk. Fordi der bruges registrerede data, kan vi hente resultatet af de samme data og sammenligne vores algoritmer med, hvad der faktisk skete.