Umiddelbar gjenkjennelse av hjerneslag ved hjelp av kunstig intelligens

Søknadssammendrag

Prosjektsammendrag

Hjerneslag er en av våre fremste årsaker til død og alvorlig funksjonsnedsettelser. Forskning viser at kort tid mellom hjerneslag og riktig behandling reduserer risiko for død og senskader. Pasientens manglende forståelse for egen situasjon, varierende utfall, variasjon i symptombilde og kognitive utfordringer, fører til unødig tidsbruk i prehospitalt forløp. En studie fra 2010 viser bl.a. at kun 63% tok direkte kontakt med AMK. Sentral facialisparese er en ansiktslammelse som oppstår hos ca. 40% av alle slagpasienter. Vi vil utvikle et dyp-læringssystem som kan gjenkjenne facialisparesen ved hjelp av bildepredikasjon og varsle pasient om mulig hjerneslag, med anbefaling om å kontakte 113 umiddelbart. Beste metode for å løse bildepredikasjon av denne typen er CNN. Det skal innhentes over 2000 unike bildedata av personer med sentral facialisparese hos de største slagenhetene i Norge, og det skal benyttes data augmentering og Transfer Learning for å utnytte datasettet optimalt. Primærmålgruppe er personer som har gjennomgått slag (70 000). Studier viser at denne gruppen har 19,4–23% risiko for nytt slag innen 5 år. I 2021 vil vi utvikle modeller som kan fintrenes til å løse utfordringen, og innen utgangen av året bevise at systemet er gjennomførbart. I 2022 utvides datasettet kunstig og bildedata samles inn. Systemet vil være ferdig utviklet i des.22. Resultatmål er recall og precision på 99,5% og 98% respektivt og et system klart for pilottesting i brukerrettet applikasjon.

Sluttrapport

Bakgrunn, målsetting og metode

Hjerneslag er en av våre fremste årsaker til død og alvorlig funksjonsnedsettelser. Ofte på grunn av tiden det tar før behandling starter. ResQ Biometrics utvikler en algoritme for umiddelbar deteksjon av sentral facialisparese via bildeanalyse. Facialisparese oppstår i underkant av 50% av alle slagtilfeller, fører til ansiktslammelse, og er mest kjent gjennom slagsymptomet «smile» via Helsedirektoratets informasjonskampanjer. Målsetning med prosjektet er å utvikle en algoritme som kan gjenkjenne og varsle om mulig hjerneslag i løpet av < 1 sekund, med 99% nøyaktighet, uten prekalibrering av sluttbruker. Et delmål er at algoritmen kan implementeres i alle enheter med kamera og internettilgang, på en enkel måte. Tjenesten kan derfor brukes i alt fra akutt slagbehandling, via rehabiliteringstjenesten, til applikasjoner på telefon, wearables eller point-of-care enheter. Til formålet har vi anskaffet en unikt datasett med bilder av slagpasienter med facialisparese via norske sykehus (SUS, HUS og SSHF). Utvikling av algoritme har blitt utført ved bildeklassifisering gjennom en såkalt foundation model (Dino V2). De største FoU utfordringene har vært anskaffelse av datapunkter (bilder), demografiske bias og explainable AI.

Gjennomføring

Prosjektet har i høy grad fulgt opprinnelig plan med unntak av datainnsamling. Covid-19 førte til større forsinkelser knyttet til rekruttering av deltakere ved norske sykehus, som på den tiden og tiden etter, ble presset til sitt ytterste. Samtidig har leger og sykepleiere ved slagenhetene vært svært engasjert i prosjektet, og dermed levert et tilfredsstillende datasett på tross av Covid og kapasitetsutfordringer. I prosjektperioden har det vært en formidabel utvikling i verktøy knyttet til bildeklassifisering. Dette har ført til at vi har oppnådd vesentlig høyere resultater enn forespeilet, med tanke på tilgjengelig datasett. Vi ønsker å fremheve det gode samarbeidet med LHL Hjerneslag, Stavanger universitetssjukehus og Simula Met. De har bidratt med en uvurderlig kunnskapsbase, engasjement og eierskap til prosjektet, som har bidratt til at vi hele tiden har klart å utnytte tilgjengelige ressurser optimalt. Brukermedvirkning via LHL har tilført prosjektet kritisk kunnskap om hvordan vi best kan nå sluttbrukere. Prosjektet kunne ikke blitt gjennomført uten støtte fra Stiftelsen DAM.

Resultater og virkninger

Algoritmen har ved prosjektslutt 95% sensitivitet/ 93% spesifisitet. Målet om 99% er ikke nådd på det nåværende tidspunkt. Samtidig ønsker vi å fremheve at dette har blitt oppnådd med kun 10 – 20% av forespeilet datasett, og utviklingen de siste 8 månedene har vist eksponentielt bedre resultater. Det er også enighet blant team og partnere at resultatene er gode nok for gjennomføring av klinisk studie. Studien er under planlegging og estimert oppstart er 4. kvartal 2024 ved akuttmottak ved norske sykehus. Det har vært viktig for prosjektet å være uavhengig av prekalibrering av sluttbruker, slik at tjenesten enklest mulig kan benyttes av flest mulig, og da enklere nå store deler av befolkningen. Dette via applikasjoner eller tjenester på mobile enheter, wearables og point-of-care enheter. Vi har tilgang til plattformer for distribusjon, men det gjenstår arbeid for å verifisere, samt produsere konsekvente resultater i felt.