Browsing by Author "Wennervirta, Jenni"

Tapaturmaiset aivovammapotilaat ovat yleensä intuboituja ja sedatoituja neurokirurgisilla teho-osastoilla, joten potilaan tilan kehittymistä joudutaan arvioimaan lähes yksinomaan tehohoitolaitteista saadun datan perusteella. Hoidon kulmakivenä pidetään intrakraniaalipaineen (ICP, intracranial pressure), keskivaltimopaineen (MAP, mean arterial pressure) ja edellisistä johdetun, aivojen perfuusiopaineen (CPP, cerebral perfusion pressure) optimointia niin lääkkeellisin kuin neurokirurgisin keinoin. Nykyaikaiset tehohoitolaitteistot tallentavat suuria potilaskohtaisia määriä mm. ICP- ja MAP-dataa, mutta tästä datasta on hyvin vaikeaa tehdä objektiivisia päätelmiä potilaan tilan kehittymisestä ilman ohjelmistoteknisiä apuvälineitä. Tässä tutkimuksessa selvitettiin retrospektiivisesti kolmen tekoälyalgoritmin suorituskykyä tehohoidettavien tapaturmaisten aivovammapotilaiden kolmenkymmenen päivän selviytymisen dynaamisessa ennustamisessa. Algoritmit validoitiin kolmen potilaskohortin avulla, joissa oli yhteensä 791 potilasta: 470 Ruotsista, 214 Yhdysvalloista ja 107 Suomesta. Tehohoitodataa potilaille oli kertynyt yhteensä noin 72 000 tunnin verran. Tutkimuksen keskeisenä tavoitteena oli selvittää skaalautuvatko validoinnin kohteena olevat tekoälyalgoritmit kansainväliseen potilasdataan vai ovatko ne yliopetettuja eli toimivat hyvin vain algoritmin opetuksessa käytetyn kaltaisella datalla. Tutkimustuloksista selvisi, että algoritmeista ensimmäinen, vuonna 2019 HUSin ja yritysyhteistyökumppani Qvikin yhdessä kehittämä logistinen regressiomalli, skaalautui kolmesta algoritmista parhaiten. Mallin luoman ennusteen tarkkuus oli 120 tunnin kohdalla potilaan tehohoidon aloituksesta ruotsalaisessa aineistossa 89 %, yhdysvaltalaisessa aineistossa 76 %, ja suomalaisessa aineistossa 83 %. Tutkimustulosten valossa kyseinen logistinen regressiomalli skaalautuu hyvin etenkin pohjoismaiseen potilasmateriaaliin ja mallin jatkokehitystä sekä kliinistä testausta kannattaa harkita.