Samarbetsprojekt utvecklar system för att minska risken för spädbarnsdödlighet

Fem procent av alla bebisar föds för tidigt. Lägg till de som drabbas av komplikationer under graviditet och förlossning och resultatet blir ett stort antal nyfödda som kräver intensivvård. Majoriteten av dessa drabbas av någon form av organsvikt och många spädbarn dör varje år.

Denna insikt blev startskottet för ett samarbetsprojekt, mellan KTH, KI och Region Stockholm, som kombinerar klinisk expertis med avancerad databehandling och kommunikationsteknologi. Projektet har fått medel från KTH och Region Stockholms gemensamma forskningsutlysning Hälsa, medicin och teknik, HMT .

Upptäckt av tidiga signaler

Utmaningen för dagens sjukhus är att även om modern mät- och övervakningsutrustning genererar stora mängder data, så saknas kapacitet att bearbeta dessa data fullt ut.

– På sjukhusen blir patienter plötsligt och oväntat mycket sjuka, säger KI-professor Eric Herlenius.

– Vi tar en biomarkör, och därefter måste vi ta ett prov, springa till labbet, undersöka det och avvakta analysen. Det tar tid, och när vi väl får svaret kan patienten redan ha avlidit.

Men ofta finns det redan tidiga tecken på att patienten är i riskzonen. Om dessa signaler kan upptäckas tidigare skulle det kunna göra stor skillnad för utfallet, enligt Herlenius.

– Det finns subtila symtom, så kallade fysiomarkörer – förändringar i puls, andning, syremättnad i blodet. Men för att kunna analysera detta krävs en mycket avancerad datahantering, säger han.

Ett team sattes samman under ledning av KI-professor Eric Herlenius med KTH-forskare Saikat Chatterjee som huvudhandledare, Mikael Skoglund från KTH som biträdande handledare och doktoranden Antoine Honoré, KTH. Deras uppgift var att utforma, testa och lansera en lösning för hela sjukhuset som kunde analysera data i realtid.

Teamet utvecklade ett nytt system för tidig varning baserat på djup maskininlärning. Systemet använder redan tillgängliga data från patientmonitorer som tidigare raderades efter en vecka på servern.
– Vi har utvecklat ett system där vi kan samla in och lagra dessa data långsiktigt, vilket möjliggör omfattande analyser och bättre prognostisering, berättar Chatterjee.

AI och maskininlärning i patientvården

De första resultaten ser enligt teamet lovande ut. Enbart övervakningen av hjärtfrekvensen hos för tidigt födda kan bidra till att minska dödligheten på intensivvårdsavdelningen med cirka 20 procent. Med hjälp av dynamiska signaler och maskininlärning kan man nu upptäcka försämringar hos patienterna mer än 24 timmar tidigare än med traditionella metoder. Men syftet med projektet är större än så.

– Vår målsättning är att utöka det här tidsfönstret till 72 timmar, eller så långt som möjligt, säger Herlenius.

Det banbrytande samarbetet mellan läkare och ingenjörer har redan lyckats bana väg för en framtid där avancerad datahantering och maskininlärning kan bli en integrerad del av patientvården. Slutmålet är att uppnå precisionsmedicin i realtid genom att kontinuerligt övervaka patienter och analysera data som kan hjälpa läkare att sätta in potentiellt livräddande åtgärder.

När det gäller framtiden är nästa utmaning finansiering. Även om teamets forskning har visat mycket lovande resultat, inser de att en storskalig implementering på sjukhusen skulle kräva betydande investeringar.

– Men en sådan investering kommer att rädda liv varje dag och förbättra sjukvården, säger Herlenius. – Vi befinner oss fortfarande i forskningsfasen, men potentialen att revolutionera läkarvetenskapen är uppenbar.

Text: Annelie Englund
Foto: Magnus Glans