Samarbeidet gjør det mulig å sammenligne data og erfaringer på tvers av landegrenser, og styrker utviklingen av nye metoder for diagnostikk og behandling.
DVT er en potensiell alvorlig tilstand som oppstår når en blodpropp dannes i en dyp vene. Oftest skjer dette i bena, men dersom man ikke avdekker og behandler dette kan man risikere at man også får blodpropp i lungene, en potensielt livstruende komplikasjon.
Å stille korrekt DVT-diagnose er krevende, siden symptomene ofte overlapper med mindre alvorlige tilstander. Rødhet, varme, hevelse og smerte i benet er typiske tegn, som også forekommer ved andre årsaker. Dette gjør at mange pasienter henvises til akuttmottaket med mistanke om DVT, selv om det ved Sykehuset Østfold påvises kun rundt 20 prosent av de som henvises. Hvert år vurderes omkring 1000 pasienter ved Sykehuset Østfold Kalnes for mistanke om DVT, og nær 70 prosent må gjennom ultralydundersøkelse – en prosess som krever både tid og ressurser.
Den pågående studien er en ren diagnostisk studie der alle pasienter som henvises til akuttmottaket med mistanke om DVT inkluderes. Forskerne samler inn kliniske data, point-of-care (POC) D-dimer, rutinemessige blodprøver og biobankprøver. Det tas også fotografier av beina for å undersøke om bildedata kan bidra til utviklingen av en maskinlæringsmodell som gjenkjenner mønstre og visuelle tegn forbundet med tilstanden. Dersom D-dimer-testen er positiv, utføres ultralyd først av en akuttmedisiner og deretter av en radiolog som er blindet for resultatet av den første undersøkelsen.
Datamaterialet brukes til å validere og videreutvikle en kunstig intelligens-modell basert på erfaringer fra tidligere studier. Ved å kombinere laboratorieverdier, kliniske observasjoner og bildefunn kan modellen trenes til å beregne sannsynligheten for DVT før pasienten kommer til sykehuset. Dette kan legge grunnlaget for en ny diagnostisk tilnærming der man potensielt kan utelukke DVT allerede før de ankommer akuttmottaket.
Foreløpige resultater viser at algoritmen kan redusere behovet for ultralydundersøkelser med om lag 200 undersøkelser per år, uten at diagnostisk presisjon går tapt. Det betyr kortere ventetid for pasientene, mindre belastning på radiologiske tjenester og en mer effektiv bruk av helsepersonell. Ultralyd kan i større grad utføres av akuttmedisinere, noe som ytterligere reduserer behovet for radiologisk kapasitet og vil forkorte ventetiden betraktelig.
Målet er å utvikle et beslutningsstøtteverktøy som kan tas i bruk både ved sykehus og i primærhelsetjenesten. Ved å kombinere maskinlæring med pasientnær testing kan flere få raskere og mer presis diagnose, samtidig som unødige undersøkelser unngås.
Prosjektet illustrerer hvordan kunstig intelligens kan brukes på en målrettet og ansvarlig måte i helsetjenesten – ikke som en erstatning for medisinsk ekspertise, men som et supplement som styrker kvaliteten i beslutningene og frigjør ressurser til pasientene som trenger det mest.
Kontaktperson ved Høgskolen i Østfold:
Finn Samuelsen
Aktuell lenke:
Forskere tar i bruk kunstig intelligens for raskere og mer presist avdekke blodpropp (hiof.no, 2024)
Kontiki – Kunstig intelligens (AI) som beslutningsstøtte for pasienter og helsetjenester (prosjektside hiof.no)