NY STUDIE. När patienter vårdas efter hjärtstopp kan läkare nu få veta hur det gått för tusentals andra liknande patienter, genom att mata in uppgifter om patienten i en webbaserad app. Forskare vid Göteborgs universitet har utvecklat tre sådana beslutstöd för hjärtstopp, som kan komma att göra stor skillnad i läkares arbete.
Beslutstöden publiceras fritt tillgängliga att ladda ned som applikation på en webbsida. Resultaten från algoritmen måste dock tolkas av personer med sådan kompetens. AI-baserade beslutsstöd är på stark frammarsch på många områden i vården, och det pågår omfattande diskussioner om hur dessa bäst ska komma till nytta för vården och för patienterna.
Beslutstöden baseras på data från tiotusentals patientfall från Svenska Hjärt-Lungräddningsregistret. Forskarna vid Göteborgs universitet har använt en avancerad form av maskininlärning för att lära prediktionsmodellerna att känna igen olika faktorer som påverkat tidigare utfall. Algoritmerna kan ta hänsyn till en stor mängd olika faktorer som exempelvis rör omständigheter kring hjärtstoppet, vilken behandling som givits, tidigare sjukdomar, läkemedel, samt socioekonomisk status.
Nya evidensbaserade metoder
Det kommer dröja några år innan AI-baserade beslutstöd sannolikt ingår i officiella rekommendationer för hjärtstopp, men det står läkare fritt att använda nya evidensbaserade metoder som dessa prediktionsmodeller. Forskargruppen som arbetar med beslutstöden för hjärtstopp leds av Araz Rawshani, forskare på Sahlgrenska akademin vid Göteborgs universitet och ST-läkare på Sahlgrenska Universitetssjukhuset:
– Jag och mina kollegor som testat verktyget ser en stor potential i dess användning i vår kliniska vardag. Ofta innebär svaret från beslutsstödet att läkaren stärks i en uppfattning hen redan kommit fram till. Det hjälper oss att inte utsätta patienter för plågsam vård som inte kommer att gagna patienten, samtidigt som det sparar på sjukvårdens resurser, säger Araz Rawshani.
Han betonar dock att beslutsstödet fortfarande är på ett forskningsstadium och att det inte har implementerats i Sahlgrenska Universitetssjukhusets riktlinjer ännu. Det kan dock användas för att göra en beräkning av överlevnad, på samma sätt som exempelvis Nationella Diabetesregistret bistår läkare och sjuksköterskor med en så kallad riskmotor (läs mer här).
Hög träffsäkerhet
Hittills har forskargruppen publicerat två beslutsstöd. Den ena prediktionsmodellen kallas SCARS-1, och presenteras i Lancet-tidskriften eBioMedicine. Detta beslutsstöd anger om ett patientfall liknar andra fall som tidigare överlevt eller avlidit 30 dagar efter sitt hjärtstopp.
Träffsäkerheten är ovanligt hög. Baserat endast på de tio mest betydelsefulla faktorerna har modellen en sensitivitet på 95 procent och en specificitet på 89 procent. Det så kallade AUC-ROC-värdet för modellen är 0,97. Högsta möjliga AUC-ROC-värde är 1,0 och gränsen för en kliniskt relevant modell är 0,7.
En av flera pusselbitar
Detta beslutsstöd har utvecklats av Fredrik Hessulf, doktorand på Sahlgrenska akademin vid Göteborgs universitet och narkosläkare på Sahlgrenska Universitetssjukhuset Mölndal.
Foto: Elin Lindström
– Beslutstödet är en av flera pusselbitar i det stora pussel som är läkarens totala bedömning av en patient. Vi har en mängd olika faktorer att ta ställning till när vi ska besluta om vi ska fortsätta med hjärtlungräddning. Det är en mycket tuff behandling som vi bara ska ge till patienter som kommer ha nytta av den och som har möjlighet att leva ett för dem värdefullt liv efter tiden på sjukhuset, säger Fredrik Hessulf.
Beslutstödet baseras på 393 olika faktorer som påverkar chansen att en patient överlevt sitt hjärtstopp 30 dagar efter händelsen. Den höga träffsäkerheten i modellen kan förklaras av det stora antalet patientfall som algoritmen baseras på (drygt 55 000 fall) och att tio av de nästan 400 faktorerna visade sig ha mycket stor påverkan på överlevnaden. Den klart viktigaste faktorn var om hjärtat fått tillbaka en bärande hjärtrytm igen när patienten kom in till akutintaget.
Risken för ett nytt hjärtstopp
Det andra publicerade beslutstödet har presenterats i tidskriften Resuscitation. Detta beslutsstöd är baserat på data från de patienter som överlevt sitt hjärtstopp utanför sjukhus till att skrivas ut från sjukhus. Modellerna har baserats på 886 faktorer hos 5098 patientfall från Svenska Hjärt-Lungräddningsregistret. Detta beslutsstöd syftar dels till att hjälpa läkare att identifiera vilka patienter som riskerar ett nytt hjärtstopp eller död inom ett år efter utskrivning från sjukhus efter hjärtstopp. Det syftar även till att lyfta vilka faktorer som har betydelse för långtidsöverlevnad vid hjärtstopp, en aspekt vid hjärtstopp som inte varit välstuderad.
Foto: Elin Lindström
– Träffsäkerheten för detta beslutsstöd är hyfsat god. Det kan med ungefär 70 procents säkerhet förutse huruvida patienten avlidit eller fått ett nytt hjärtstopp inom ett år eller inte. Likt Fredriks beslutsstöd har även detta beslutsstöd en styrka i att ett fåtal faktorer kan prediktera utfallet nästan lika väl som modellen med flera hundra variabler, säger den forskande läkaren Gustaf Hellsén, som arbetat fram detta beslutsstöd.
Han fortsätter:
– Vi hoppas kunna vidareutveckla prediktionsmodellen för att öka precisionen. Redan nu kan den vara ett stöd för läkare att identifiera faktorer av betydelse för överlevnad hos hjärtstoppspatienter som ska skrivas ut från sjukhusen.
Tre beslutsstöd för olika aspekter av hjärtstopp
I dagsläget finns beslutsstödet SCARS-1 (om överlevnad och neurologisk funktion 30 dagar efter hjärtstopp – utvecklat av Fredrik Hessulf) tillgängligt som webbapplikation för användning. Inom kort lanseras också en webbapplikation för beslutstödet om risken för nytt hjärtstopp efter utskrivning – utvecklat av Gustaf Hellsén. Under året planeras även ett tredje beslutsstöd publiceras (om hjärtstopp som inträffar på sjukhus).
Här kan läkare och annan vårdpersonal läsa mer om beslutsstöden och ladda hem applikationer: http://gocares.se
- Titel: Predicting Survival and Neurological Outcome in Out-of-Hospital Cardiac Arrest Using Machine Learning: The SCARS Model; eBioMedicine
- Titel: Predicting recurrent cardiac arrest in individuals surviving Out-of-Hospital cardiac arrest; Resuscitation
AV: ELIN LINDSTRÖM
