AI-baseret muskelultralyd for at vurdere svaghed på intensivafdelinger (ACTIVATE)

Intensive Care Unit-Acquired Weakness (ICUAW) er en af ​​de mest almindelige neuromuskulære komplikationer hos patienter, der behandles på intensiv. Med stigende sværhedsgrad af sygdommen og især hos analgoserede, ventilerede og deliriske patienter med begrænset evne til at samarbejde under den kliniske undersøgelse, er påvisning og opfølgning af ICUAW begrænset til umuligt. Den kliniske diagnose og vurdering af sværhedsgraden af ​​ICUAW udføres normalt ved hjælp af etablerede diagnostiske metoder (f. klinisk-neurologisk undersøgelse, Medicinsk Forskningsråd-Sum Score, elektrofysiologiske undersøgelser), som dog ikke kan gennemføres regelmæssigt, hvis patienten ikke samarbejder, hvilket forsinker diagnosen ICUAW og vanskeliggør opfølgningen. Neuromuskulær ultralyd (NMUS) er på den anden side en letanvendelig, ikke-invasiv undersøgelsesmulighed, der stort set er uafhængig af patientens compliance og i stigende grad bliver undersøgt hos patienter med ICUAW. Det blev vist, at NMUS kan detektere ICUAW og er nyttigt til at vurdere sværhedsgraden af ​​muskelsvaghed. Den standardiserede optagelse og opfølgning ved hjælp af scoringsprocedurer (f.eks. 4-trins Heckmatt Scala) vurderes dog som delvist subjektiv af undersøgeren, og hvert enkelt ultralydsbillede skal tages med det menneskelige øje under hensyntagen til forskellige billedparametre . For at overvinde disse diagnostiske begrænsninger kan kunstig intelligens (AI) være en nyttig udvidelse eller endda et alternativ.

AI bliver allerede brugt på en række forskellige måder i medicinsk diagnostik (f.eks. ved påvisning af tumorer og organvurdering) og i stigende grad også i analyse af ultralydsbilleder. I denne undersøgelse sigter efterforskerne på at bruge AI, specifikt Convolutional Neural Networks (CNN'er), til at klassificere ultralydsbilleder i forskellige kategorier baseret på muskelsvaghed. Den største fordel ved at bruge AI til sådanne opgaver ligger i den automatisering, det giver. Når en AI-model er blevet trænet i et indledende sæt billeder, kan den hurtigt kategorisere nye, usete billeder, hvilket væsentligt reducerer den tid og den menneskelige indsats, der kræves til diagnosticering. AI-modeller kan analysere store mængder data hurtigt og konsekvent, hvilket er særligt fordelagtigt i en klinisk intensiv pleje. Ved at anvende AI sigter denne undersøgelse på at træne detektion og klassificering af muskelsvaghed hos patienter, der behandles på intensiv. En udfordring med AI-modeller er dog deres "black box" karakter, hvor beslutningsprocessen ikke er gennemsigtig. For at løse dette problem vil efterforskerne bruge forklarlige AI-teknikker (XAI) såsom Grad-CAM (Gradient-weighted Class Activation Mapping) til at visualisere de specifikke områder af ultralydsbillederne, som AI-modellen fokuserer på i sin analyse. Dette hjælper ikke kun med at validere AI-beslutningerne, men giver også indsigt i de morfologiske ændringer i musklerne, der kommer med forskellige grader af svaghed.

Ved at integrere AI og XAI sigter studieholdet på ikke kun at automatisere detektion og kategorisering af muskelsvaghed, men også at forbedre vores forståelse af de underliggende morfologiske ændringer i muskler. Denne dobbelte tilgang kunne føre til mere præcis og pålidelig diagnostik og i sidste ende forbedre resultaterne for patienter på intensiv pleje.