Kunstig intelligens - for å forutsi og forhindre hypotensjon under kirurgi

Hvert år blir cirka 800 000 pasienter operert i Sverige. Av dem lider en relativt høy andel av alvorlige komplikasjoner etter operasjonen, som hjerte- og nyreskader, hjerneslag og til og med død. Det er en påvist sammenheng mellom ovennevnte komplikasjoner og blodtrykksfall under operasjonen, noe som betyr at uansett noen av komplikasjonene potensielt kan unngås dersom blodtrykket holdes på et stabilt og adekvat nivå ut fra hver enkelt pasients forhold.

Dessverre er episoder med blodtrykksfall vanskelig å forutsi med standard overvåkingsmetodene som er tilgjengelige, og oppstår derfor ofte under operasjoner. Ved Karolinska Universitetssykehuset bygger vi nå et nytt system som ved hjelp av kunstig intelligens kan slå alarm allerede før blodtrykksfallet inntreffer. I studien samler og kombinerer vi data fra standard overvåking under operasjonen; puls, blodtrykk, oksygenering, hjerteutgang, EKG, laboratorieverdier fra blodgasser på pasienter som gjennomgår abdominal kirurgi som er en gruppe pasienter som har høyere risiko for å lide av postoperative komplikasjoner. Til denne informasjonen vil vi også legge til relevante data fra en ny metode for sirkulasjonsovervåking basert på variasjoner i utåndet karbondioksid. Vi vil også registrere årsaken til at blodtrykket har falt, som blødninger, medikamentpåvirkning, dehydrering, med sikte på at AI-algoritmene skal kunne skille mellom ulike årsaker til lavt blodtrykk fordi de krever ulike tiltak. AI-algoritmene vil i første omgang bli utviklet ved å samle inn data fra en stor gruppe pasienter og deretter evaluere på en mindre gruppe andre, representative pasienter

Data fra vår standard overvåking i forbindelse med kirurgi er supplert med estimater av hjertevolum basert på den kapnodynamiske metoden. Forsøkspersonene vil bli lagt i dvale og ventilert via en modifisert intensivventilator (servo-i(R) Getinge). Denne ventilatoren har en programvare for forskningsbruk som er CE-merket. Programvaren endrer respiratorens pustemønster ved å legge til litt lengre pauser etter tre av ni pust. Dette pustemønsteret resulterer i en mild variasjon i nivået av utåndet karbondioksid på ca. 1 kPa. Ventilatoren har blitt brukt i flere store dyrestudier og kliniske studier, hvorav to ble utført av vår forskningsgruppe. Fordi en intensiv respirator skal brukes, blir pasientene bedøvet med såkalt total intravenøs anestesi (TIVA) i stedet for gassbedøvelse. Dette er forskjellig fra vår nåværende rutine i denne typen operasjoner. TIVA brukes imidlertid i flere andre typer kirurgi og vi er godt kjent med metoden. Ved flere sykehus i inn- og utland brukes TIVA som førstelinjemetode selv ved store kreftoperasjoner i magen fordi det finnes data som tyder på at pasienter får mindre tilbakefall (metastaser) i etterkant. I løpet av pleieforløpet oppstår hendelsene som registreres som for deretter å legges til materialet for kvalitative analyser. Eksempler på slike hendelser er: administrering av medikamenter og væsker, samt sannsynlig årsak til hypotensjon; blødende kroppsstillingsendringer osv. For å kunne sammenligne capno-metodens beregninger av blandet venemetning, vil det bli tatt blodprøver fra sentralvenekateteret hver time under operasjonen. Hver prøve inneholder ca. 2 ml blod. Ved en fem timers operasjon tilsvarer dette ca 1 cl blod. Samtidig med veneprøvene vil det tas arterielle blodgasser med samme blodvolumer. Disse prøvene tas omtrentlig: Hver/hver annen time under operasjonen i klinisk rutine, men i studieprotokollen vil de bli tatt hver time synkronisert med prøvene fra det sentrale venekateteret.

Også klinisk utfall som behandlingslengde og komplikasjoner lagres slik at dosen av hypotensjon kan knyttes til komplikasjoner. Det som er beskrevet ovenfor er ting som vi måler og registrerer i klinisk rutine og dermed ikke innebærer noen videre innvirkning på forskningsobjektene. Analyse av data gjøres i etterkant av våre forskere på våre datamaskiner og servere. Gjennom kunstig intelligens (AI) og maskinlæring (ML) skal vi trene AI-algoritmer med mål om å konstruere Effektive og nøyaktige metoder for å forutsi lavt blodtrykk forebyggende. Fordi registrerte data brukes, kan vi hente ut resultatet av de samme dataene og sammenligne algoritmene våre med hva som faktisk skjedde.