Søg
Close this search box.
Søg
Close this search box.

Rigshospitalet

Kan kunstig intelligens forudsige komplikationer efter blodprop?

Rigshospitalet undersøger, om kunstig intelligens kan bidrage til at give patienter med blodprop i hjertet en hurtigere og mere individuel behandling.
Hjertemedicinsk klinik på Rigshospitalet hjælper patienter med hjertekrampe, hjerteinfarkt, hjerteklapproblemer eller medfødte hjertesygdomme. Klinikken er specialafdeling for hjerte- og lungetransplantation og for behandling af forstyrrelser i hjerterytmen.

Udfordringen

25% bliver genindlagt efter blodpropper i hjertet

25 procent bliver genindlagt inden for det næste halve år, efter at de har haft en blodprop i hjertet. Det belaster både sundhedsvæsenet men ikke mindst patienternes livskvalitet. Patienterne ligger typisk til overvågning i tre til fem døgn, afhængigt af hvordan de har det. Det vil derfor være en stor forbedring af efterbehandlingen for patienterne og en samfundsmæssig gevinst, hvis man kan forudse og forebygge genindlæggelser.

Mange udfordringer i sundhedsvæsnet kan løses med kunstig intelligens.

De første timers behandling af patienter med en blodprop i hjertet er vigtige. Derfor indsamler man data, mens patienterne er indlagt. Men de statistiske risikomodeller, man anvender i dag, kan ikke vurdere, hvordan forskellige parametre påvirker hinanden. Rigshospitalet undersøger derfor, om man med kunstig intelligens kan gøre behandlingen af patienterne bedre. ​

TEKNOLOGIEN BAG

Kunstig intelligens skal hjælpe med at finde dem, der er i risikozonen

Alle de kliniske parametre, som vi ved har betydning, føres ind i en algoritme. Det gælder lige fra blodprøver, blodtryksmålinger, resultater fra undersøgelser og patientens sygdomshistorik. Derefter følges patienterne i en periode efter udskrivelsen, og algoritmen fodres med oplysninger om, hvilke patienter der siden oplever komplikationer.

Målet er, at algoritmen kan håndtere de enorme datamængder og lede efter mønstre, og på den måde laver en profil over de patienter, der har størst risiko.

Dan Eik Høfsten

Overlæge
Rigshospitalets Hjerteafdeling

De klassiske modeller er begrænset af, at de oftest antager, at hver parameter er uafhængig af de andre og har samme betydning for alle patienter. Med maskinlæring har vi mulighed for at kombinere variable på mange måder og dermed tage højde for, hvordan parametrene påvirker hinanden.

Bliv inspireret af vores andre kunder

Se hvordan andre har brugt digitalisering til at forbedre vores velfærd:

Formular indsendt!