DeepNEWS - COVID-19. Tidig AI karakterisering och prediktion av vårdbehov samt upptäckt av allvarlig sjukdom - maskininlärningsbaserad fysiomarkör
| Akronym | DeepNEWS |
| Syfte | Plötslig instabilitet och sviktande organfunktion på grund av infektion (sepsis) / akut Inflammation är svåra problem att hantera hos sjuka individer, även om de ligger på sjukhus. Sepsis ses bland annat hos patienter med Covid-19 och när bakterier sprider sig till blodet (blodförgiftning). Det kan många gånger vara svårt att förutspå sådana händelse vilket är problematiskt då förloppet kan vara snabbt och kan leda till död. Puls, blodtryck, andningsfrekvens, kroppstemperatur och andra så kallade vitalparametrar påverkas väldigt tidigt i sjukdomsförloppet och skulle kunna förvarna om kommande försämring. Dock är förändringarna initialt små och subtila, vilket innebär att enorma datamängder måste analyseras snabbt för att förändringarna ska upptäckas. Utvecklingen inom fältet maskininlärning och artificiell intelligens möjligör sådana analyser. Detta innebär bl.a. att svåra infektioner orsakade av t.ex. COVID-19 kan upptäckas tidigare och man kan förvarna om behov av ytterligare vårdinsatser. Detta skulle kunna förbättra såväl vårdförlopp samt överlevnad. Denna typ av övervakningssystem har utvecklats under det senaste decenniet, men deras effektivitet måste förbättras. Dessutom är de befintliga systemen begränsade avseende vilka de testats på. Vi utvecklar ett system som inkluderar ett bredare spektrum av patienter och som anpassas för fungera på andra avdelningar än intensivvårdsavdelningar. Detta forsknings och utvecklingsprojekt är en expansion av våra och samarbetspartners tidigare pilotprojekt som visat mycket lovande resultat hos Barn (e.g. Herlenius et al. 2019, Honoré et al. 2020). Vi kommer att samla in data från sjukhusens övervakningssystem för att kunna följa barn och vuxna patienters vitalparametrar över tid. Livshotande händelser är svåra att förutspå med dagens kliniska hjälpmedel. Dessutom är nödvändighet att snabbt behöva trappa upp/ ändra vårdnivån, t.ex. genom överföring till intensivvårdsavdelningar, när patienten blir allvarligt försämrad, ett kliniskt, logistiskt och etiskt problem. Detta ställer behandlande läkare inför ett beslut där patientens tillstånd och sjukvårdens resurser måste utvärderas i en pressad situation. Biomarkörer kan signalera om sjukdomar och patientsvikt, men tar många timmar att analysera - tid man kanske inte har. Vi syftar att istället utveckla ett kliniskt besluts stödssystem (clincal decision support system) som genom analys av en patients vitalparametrar kan förvarna om begynnade processer och föreslå åtgärder (baserat på tidigare liknande fall). Exempelvis kan försämring hos patienter med Covid-19 identifieras timmar till dagar tidigare, vilket gör att behandling och åtgärder kan planeras bättre och sättas in tidigare. Målsättningen är att detta leder till förbättrad behandling och förebyggande insatser, minskad sjukdomsförekomst och förbättrad överlevnad Vi bör då direkt kunna karakterisera vitalparametrar och vårdförlopp över tid samt beskriva koppling till behov av ytterligare vård samt vårdtid. Denna initiala karakterisering bör kunna bistå och stödja behandlade vårdpersonal i triagering, övervakning och behandling utav svårt sjuka patienter i närtid. Därefter kommer patienternas journaler noggrant att granskas för att identifera samtliga händelser under vårdtiden så att dessa kan jämföras med förändringar i vitalparametrar. Detta skapar förutsättningar för att kunna utveckla en datoralgoritm som kan lära sig känna igen förändringar i t.ex. andning och koppla dessa till infektioner och andra sjukdomar. På så vis kan vi bygga ett system som varnar vårdpersonal om kommande allvarliga händelser innan patienten har börjat utveckla symptom som kan kännas igen av en människa. De vetenskalpiga frågeställningarna är bla; Kan automatisk analys av vitalparametrar, fysiomarkörer, effektivt och tidigt förutspå allvarliga kliniska händelser vid Covid-19 och hos andra sjukhusvårdade patienter? Kan fysiomarkörer användas för att förutspå behovet av intensivvård hos patienter med Covid-19 samt andra sjukhusvårdade patienter? Kan fysiomarkörer användas för att utveckla ett klinikstödjande system? Vilka lärdomar kan vi dra av vårdförloppet hos patienter som drabbas av livshotande händelser? Vilka vitalparamtrar/analyser av vitalparametrar är värdefulla/nödvändiga för en fungerande fysiomarkör? |
| Urvalskriterier | Samtliga patienter vårdade på sjukhus som övervakats avseende vitalparametrar utgör forskningspersonerna. Detta breda utval av personer är essentiellt för att uppnå en tillräckligt stor databas för att kunna identifiera även ovanliga sjukdomstillstånd som annars kan riskera att minska specificiteten hos algoritmerna. |
| Sökord |
sepsis |
| Tema/Funktion, Medicinsk Enhet | Tema Barn-ALB, ME Barnakutsjukvård |