Integrasjonen av AI i nyfødtomsorg representerer et betydelig fremskritt innen medisinsk teknologi. Laerdal Medical og partnere utvikler AI-teknologi som har potensial til å redde spedbarn med pustevansker.
Det er viktig å levere ventilasjon til babyer som ikke puster selv ved fødselen, og det er avgjørende at denne behandlingen leveres i løpet av de første minuttene etter fødsel.
Imidlertid har studier vist at helsepersonell ofte sliter med å gi behandling innenfor denne tidsrammen, ikke på grunn av mangel på kunnskap, men fordi tidsoppfattelsen er ofte feil i en nødssituasjon.
Laerdal Medical AS er internasjonal leverandør innen opplærings- og behandlingsutstyr for livreddende førstehjelp. De har utviklet en gjenopplivningsstasjon for nyfødte, kalt Liveborn Station. Løsningen er både en varmer for spedbarn og et datasamlingssenter. Stasjonen samler synkronisert EKG, bevegelse, video og lydsignaler. Målet er å bruke disse kildene til å gi sanntidsveiledning og tilbakemelding til helsepersonell for å forbedre nyfødtomsorgen.
Sammen med et konsortium av partnere, inkludert Laerdal, Universitetet i Stavanger (UiS), Stavanger Universitetssjukehus (SUS) og Haydom Lutheran Hospital, har jeg vært med å utvikle AI-løsninger for å oppdage ventilasjon og gi sanntidstilbakemeldinger til helsepersonell.
Om forfatteren av innlegget
Hannah Håland jobber som data scientist og data engineer i Bouvet i Rogaland. Hun har lang erfaring med programmering, databaser, statistikk, databehandling, datamodellering og maskinlæring. I dette innlegget deler hun erfaringer fra sitt prosjekt og forskning for Laerdal Medical.
Tidligere i år hadde hun æren av å presentere forskningen til et globalt publikum på Control, Decision, and Information Technology-konferansen (CoDIT) på Malta i 2024.
Stort behov for sanntidstilbakemelding og veiledning
En studie gjennomført av Lærdal og partnerne konkluderte med at helsepersonell oppfatter et behov for AI-assistanse under sitt livreddende arbeid og vil ønske slike teknologiske utviklinger velkommen i praksis.
Målet til Laerdal og partnerne er derfor å utvikle løsninger som gir sanntidstilbakemeldinger til helsepersonell – og dermed hjelpe dem med å gi den best mulige behandlingen til nyfødte som trenger det. Ved å tilby teknologier som vil bidra til å redde liv, kan vi bidra til å redusere spedbarnsdødeligheten og de negative livslange konsekvensene som følger ved komplikasjoner ved fødselen, for eksempel kroniske sykdommer og funksjonshemninger.
Slik fungerer løsningen
Babyer som ikke puster ved fødselen trenger behandling umiddelbart. Ventilasjon til nyfødte babyer leveres med en bagmaskeventilator (BMV). En bestemt ventilkomponent i BMV lager klikkelyder når den åpnes og lukkes. Ved å lytte etter både klikkelyder og utpust av luft fra baby, kan vi trekke konklusjoner om det er ventilasjon på gang; og ved å detektere de ulike delene av lydsekvenser, kan vi gi tilbakemelding på kvaliteten på behandlingen. For eksempel hvis det mangler deler av lyden, kan vi konkludere med noe om forsegling av aparatus eller restriksjoner i luftveiene.
I et hektisk sykehusmiljø er det mye støy, noe som gjør ventilasjonsdeteksjon utfordrende. Dyplæring er perfekt egnet for denne utfordringen
Hannah HålandI et hektisk sykehusmiljø er det mye støy, noe som gjør ventilasjonsdeteksjon utfordrende. Dyplæring er perfekt egnet for denne utfordringen, ettersom dype nevrale nettverk (DNN) kan lære de underliggende egenskapene til lyder for å si noe om den lydhendelsen.
DNN-modeller ble utviklet og trent ved hjelp av videoer av ekte gjenopplivningsepisoder. Modellene fikk mange eksempler på ventilasjonslyder og ikke-ventilasjonslyder å lære av. Etter at modellene er opplært, kan teknologien gjenkjenne ventilasjonsaktiviteter fra å lytte til lyder.
Dypdykk i modellens virkemåte
Hverdagslyder består av mange forskjellige frekvenser, på samme måte som forskjellige farger kan blandes for å lage nye nyanser. Forskere bruker bilder som kalles spektrogrammer for å studere disse frekvensene i lydbølger. Modellen fungerer ved å analysere spektrogrammer og avgjøre om det er en ventilasjonslyd eller ikke.
I løpet av treningprosessen blir modellen gitt mange eksempler på ventilasjons- og ikke-ventilasjonslyder, og den lærer å gjenkjenne egenskaper i spektrogrammene som skiller ventilasjonslyder fra ikke-ventilasjonslyder.
Etter at modellen er trent, kan den generalisere og forutsi om en ny lyd er en ventilasjonslyd eller ikke med stor nøyaktighet.
Implementering i praksis
For virkelig bruk blir lyder fra sykehusrommet kontinuerlig strømet til modellen og modellen forutsier kontinuerlig fra lydbølgene og gir tilbakemelding om det er ventilasjon på gang. På denne måten kan modellen brukes til å advare sykehuspersonell dersom ett minutt har gått siden fødselstidspunktet og ventilasjon ikke har startet, slik at det kan iversettes rask intervensjon og behandling kan begynne umiddelbart.
Så vidt vi vet er dette første gang maskinlæring har blitt brukt vellykket til å oppdage ventilasjon ved hjelp av lydsignaler. Som følge av denne suksessen pågår det nå arbeid med å utvikle en multimodellløsning som tar innspill fra flere kilder og for også å gi tilbakemelding om kvaliteten på behandlingen.
Transformasjon av nyfødtomsorg med AI-assistert ventilasjonsdeteksjon
Integrasjonen av AI i nyfødtomsorg, spesielt for å gi sanntids tilbakemelding under nyfødtresuscitering, representerer en betydelig fremskritt innen medisinsk teknologi. Ved å utnytte kraften i dyp læring og lydanalyse, er vi klare til å hjelpe helsepersonell med å levere rettidig og effektiv behandling til nyfødte i kritiske situasjoner. Denne innovasjonen har potensial til å redde liv og forbedre langsiktige resultater for utallige spedbarn, og understreker den transformative innvirkningen av AI innen helsevesenet.
