Tekoäly – hypotension ennustamiseen ja estämiseen leikkauksen aikana

Joka vuosi Ruotsissa leikataan noin 800 000 potilasta. Heistä suhteellisen suuri osa kärsii leikkauksen jälkeisistä vakavista komplikaatioista, kuten sydän- ja munuaisvaurioista, aivohalvauksesta ja jopa kuolemasta. Edellä mainittujen komplikaatioiden ja leikkauksen aikaisten verenpaineen laskujen välillä on osoitettu yhteys, mikä tarkoittaa, että joka tapauksessa osa komplikaatioista on mahdollisesti vältettävissä, jos verenpaine pidetään vakaalla ja riittävällä tasolla kunkin potilaan tilan mukaan.

Valitettavasti verenpaineen alenemista on vaikea ennustaa käytettävissä olevilla tavanomaisilla seurantamenetelmillä, ja siksi niitä esiintyy usein leikkauksen aikana. Karoliinisen yliopistollisessa sairaalassa rakennamme nyt uutta järjestelmää, joka tekoälyn avulla voi hälyttää jo ennen kuin verenpaine laskee. Tutkimuksessa keräämme ja yhdistämme tietoja leikkauksen aikaisesta vakioseurannasta; pulssi, verenpaine, hapetus, sydämen minuuttitilavuus, EKG, verikaasujen laboratorioarvot potilailla, joille tehdään vatsaleikkaus. Tämä on ryhmä potilaita, joilla on suurempi riski kärsiä leikkauksen jälkeisistä komplikaatioista. Tähän tietoon lisäämme myös asiaankuuluvat tiedot uudesta menetelmästä verenkierron seurantaan, joka perustuu uloshengitetyn hiilidioksidin vaihteluihin. Tallennetaan myös verenpaineen laskun syyt, kuten verenvuoto, lääkkeiden vaikutus, nestehukka, jotta tekoälyalgoritmit pystyisivät erottamaan erilaiset alhaisen verenpaineen syyt, koska ne vaativat erilaisia ​​toimenpiteitä. Tekoälyalgoritmit kehitetään aluksi keräämällä tietoja suurelta potilasryhmältä ja arvioimalla sitten pienemmällä ryhmällä muita edustavia potilaita.

Leikkauksen yhteydessä saamamme standardiseurannan tietoja täydennetään kapnodynaamiseen menetelmään perustuvilla arvioilla sydämen minuuttitilavuudesta. Tutkittavat nukutetaan ja ventiloidaan muunnetulla tehohoitoventilaattorilla (servo-i(R) Getinge). Tässä hengityslaitteessa on tutkimuskäyttöön tarkoitettu ohjelmisto, joka on CE-merkitty. Ohjelmisto muuttaa hengityslaitteen hengitysmallia lisäämällä hieman pitkiä taukoja kolmen yhdeksän hengityksen jälkeen. Tämä hengitysmalli johtaa lievään noin 1 kPa:n vaihteluun uloshengitetyn hiilidioksidin tasolla. Hengityslaitetta on käytetty useissa suurissa eläintutkimuksissa ja kliinisissä tutkimuksissa, joista kaksi on tutkimusryhmämme suorittamia. Koska käytössä on tehohoitohengityslaite, potilaat nukutetaan kaasupuudutuksen sijaan niin sanotulla TIVA:lla. Tämä eroaa nykyisestä rutiinistamme tämäntyyppisissä leikkauksissa. TIVAa käytetään kuitenkin useissa muissa leikkauksissa ja olemme perehtyneet menetelmään hyvin. Useissa sairaaloissa kotimaassa ja ulkomailla TIVAa käytetään ensilinjan menetelmänä myös suurissa vatsan syöpäleikkauksissa, koska on olemassa tietoja, jotka viittaavat siihen, että potilaat saavat jälkimainingeissa pieniä pahenemisvaiheita (metastaasseja). Hoidon aikana kirjatut tapahtumat tapahtuvat, jotta ne voidaan sitten lisätä materiaaliin laadullisia analyyseja varten. Esimerkkejä tällaisista tapahtumista ovat: lääkkeiden ja nesteiden antaminen sekä hypotension todennäköinen syy; verenvuoto kehon asennon muutokset jne. Jotta voidaan verrata capno-menetelmän laskelmia sekalaskimon saturaatiosta, verinäytteitä otetaan keskuslaskimokatetrista tunnin välein leikkauksen aikana. Jokainen näyte sisältää noin 2 ml verta. Viiden tunnin leikkauksessa tämä vastaa noin 1 cl verta. Samanaikaisesti laskimonäytteiden kanssa otetaan valtimoverikaasuja samoilla veritilavuuksilla. Nämä näytteet otetaan suunnilleen: Kliinisen rutiininomaisen leikkauksen aikana joka/kaksi tunti, mutta tutkimusprotokollassa ne otetaan joka tunti synkronoituna keskuslaskimokatetrin näytteiden kanssa.

Myös kliiniset tulokset, kuten hoidon pituus ja komplikaatiot, tallennetaan, jotta hypotension annos voidaan yhdistää komplikaatioihin. Yllä kuvatut ovat asioita, joita mittaamme ja rekisteröimme kliinisissä rutiineissa, eivätkä ne siten tarkoita lisävaikutuksia tutkittaviin. Tutkijamme tekevät tietojen analysoinnin jälkeenpäin tietokoneillamme ja palvelimillamme. Tekoälyn (AI) ja koneoppimisen (ML) avulla koulutamme tekoälyalgoritmeja tavoitteenaan rakentaa tehokkaita ja tarkkoja menetelmiä matalan verenpaineen ennustamiseen ennaltaehkäisevästi. Koska käytetään tallennettua dataa, voimme hakea samojen tietojen lopputuloksen ja verrata algoritmejamme siihen, mitä todella tapahtui.