Integrationen av AI i vården av nyfödda representerar ett betydande framsteg inom medicinsk teknologi. Laerdal Medical och partners utvecklar AI-teknologi som har potential att rädda spädbarn med andningssvårigheter.
Det är livsviktigt att ge andningshjälp till bebisar som inte andas själva vid födseln, och det är avgörande att behandlingen ges inom de första minuterna efter födseln.
Studier har dock visat att vårdpersonal ibland har svårt att ge behandling inom den tidsramen, inte på grund av brist på kunskap, utan för att tidsuppfattningen ofta är felaktig i en nödsituation.
Laerdal Medical AS är en internationell leverantör av utbildnings- och behandlingsutrustning för livräddande första hjälpen. De har utvecklat en återupplivningsstation för nyfödda, kallad Liveborn Station. Lösningen håller spädbarnet varmt samtidigt som det är ett datainsamlingscenter. Stationen samlar synkroniserad EKG, rörelse, video och ljudsignaler. Målet är att använda dessa källor för att ge realtidsvägledning och feedback till vårdpersonal för att förbättra vården av nyfödda.
Tillsammans med ett konsortium av partners, inklusive Laerdal, Universitetet i Stavanger (UiS), Stavanger Universitetssjukhus (SUS) och Haydom Lutheran Hospital, har jag varit med och utvecklat AI-lösningar för att detektera ventilation under behandlingen då luft tillförs till barnet och ge realtidsfeedback till vårdpersonal.
Om författaren av artikeln
Hannah Håland arbetar som data scientist och data engineer på Bouvet i Rogaland i Norge. Hon har lång erfarenhet av programmering, databaser, statistik, databehandling, datamodellering och maskininlärning. I detta inlägg delar hon med sig av erfarenheter från sitt projekt och sin forskning för Laerdal Medical.
Tidigare har hon haft förmånen att få presentera forskningen för en global publik på Control, Decision and Information Technology-konferensen (CoDIT) på Malta 2024.
Stort behov av realtidsfeedback och vägledning
En studie genomförd av Lærdal og partners drog slutsatsen att vårdpersonal upplever ett behov av AI-assistans under sitt livräddande arbete och skulle välkomna sådan teknisk utveckling i praktiken.
Målet för Laerdal och deras partners är därför att utveckla lösningar som ger realtidsfeedback till vårdpersonal och hjälper dem att ge den bästa möjliga behandlingen till de nyfödda som behöver andningshjälp. Genom att erbjuda teknologier som bidrar till att rädda liv kan vi bidra till att minska spädbarnsdödligheten och de negativa livslånga konsekvenserna som följer av komplikationer vid födseln, till exempel kroniska sjukdomar och funktionsnedsättningar.
Så fungerar lösningen
Spädbarn som inte andas vid födseln behöver behandling omedelbart. Andningsstöd till nyfödda bebisar ges med en andningsballong (på engelska Bag-Valve Mask, BVM). En viss ventilkomponent i BVM avger klickljud när den öppnas och stängs. Genom att lyssna efter både klickljud och utandningsljud från bebisen kan vi dra slutsatser om hur ventilationen fungerar; och genom att detektera de olika delarna av ljudsekvenserna kan vi ge feedback på kvaliteten på behandlingen. Om delar av ljudet saknas kan vi till exempel dra slutsatser om tätningen av apparaten eller att det finns problem i luftvägarna.
I en hektisk sjukhusmiljö är det mycket buller, vilket gör ventilationsdetektion utmanande. Deeplearning är perfekt lämpad för denna utmaning.
Hannah HålandI en hektisk sjukhusmiljö är det mycket buller, vilket gör ventilationsdetektion utmanande. Deeplearning är perfekt lämpad för denna utmaning, eftersom deep neural network (DNN) kan lära sig de underliggande egenskaperna hos ljud för att säga något om ljudhändelsen.
DNN-modeller utvecklades och tränades med hjälp av videor av verkliga återupplivningsepisoder. Modellerna fick många exempel på ventilationsljud och icke-ventilationsljud att lära sig av. Efter att modellerna har tränats kan teknologin känna igen ventilationsaktiviteter genom att lyssna på ljud.
Djupdykning i modellens funktion
Vardagsljud består av många olika frekvenser, på samma sätt som olika färger kan blandas för att skapa nya nyanser. Forskare använder bilder som kallas spektrogram för att studera dessa frekvenser i ljudvågor. Modellen analyserar spektrogram och avgör om det är ett ventilationsljud eller inte.
Under träningsprocessen får modellen många exempel på ventilations- och icke-ventilationsljud, och lär sig att känna igen egenskaper i spektrogrammen som skiljer ventilationsljud från icke-ventilationsljud.
Efter att modellen har tränats kan den generalisera och förutsäga med stor precision om ett nytt ljud är ett ventilationsljud eller inte.
Praktisk implementering
När modellen används i verkligheten strömmas ljud från sjukhusrummet kontinuerligt till modellen och modellen förutsäger kontinuerligt utifrån ljudvågorna och ger feedback om ventilation/andning pågår. På det sättet kan modellen användas för att varna sjukhuspersonal om en minut har gått sedan födseln och andningen inte har startat, så att snabb intervention kan sättas in och behandling kan börja omedelbart.
Så vitt vi vet är detta första gången maskininlärning har använts framgångsrikt för att upptäcka ventilation med hjälp av ljudsignaler. Som en följd av framgången pågår nu arbete med att utveckla en multimodellösning som tar in data från flera källor och också ger feedback om kvaliteten på behandlingen.
Transformation av vård av nyfödda med AI-assisterad ventilationsdetektion
Integrationen av AI i vården av nyfödda - särskilt för att ge realtidsfeedback under arbete med återupplivning - representerar ett betydande framsteg inom medicinsk teknologi. Genom att utnyttja kraften i djupinlärning och ljudanalys är vi redo att hjälpa vårdpersonal att leverera snabb och effektiv behandling till nyfödda i kritiska situationer.
Den här innovationen har potential att rädda liv och förbättra långsiktiga resultat för otaliga spädbarn, och understryker den transformativa betydelsen av AI inom hälso- och sjukvården.
Vill du veta mer om vad vi gör inom hälsosektorn?
