Oppdag våre andre nettsteder:

Du leter kanskje etter...

Oppdag våre andre nettsteder:

Annonse

Denne artikkelen er produsert og finansiert av Høyskolen Kristiania - les mer.

Antibiotika-resistens: Ny metode kan oppdage farlige infeksjoner før legene gjør det

Forskere har utviklet en KI-modell som kan varsle om risiko for multiresistente bakterier hos intensivpasienter før legene påviser bakterien.

– Utfordringen er å trene algoritmen til å oppdage de sjeldne tilfellene og finne mønstre i dem selv om de bare gjelder én til tre av hundre pasienter, sier forsker Yuan Lin.

(Illustrasjon: Colourbox)

Cecilie Taran Skjerdal Cecilie Taran Skjerdal Seniorrådgiver forskningskommunikasjon

Høyskolen Kristiania Høyskolen Kristiania

Publisert 27.04.2026 - 17:15

På en intensivavdeling kan en pasients tilstand endre seg raskt. Puls, blodtrykk, oksygennivå og andre verdier blir kontinuerlig registrert.

Samtidig får mange pasienter gjerne bredspektret antibiotika før legene vet sikkert hvilken bakterie som er årsaken til en infeksjon. Bredspektret antibiotika vil si medisiner som virker mot mange ulike typer bakterier samtidig.

Noen ganger har bakterien utviklet motstand mot medisinen. Da virker ikke behandlingen slik den skal.

Antibiotikaresistens blir omtalt av Verdens helseorganisasjon (WHO) som en av de største globale helsetruslene.

Stadig flere bakterier over hele verden utvikler motstand mot vanlig antibiotika.

Også i Norge øker antall resistente bakterier

Ifølge Folkehelseinstituttet er nivåene i Norge fortsatt lavere enn i mange andre land. Men også her øker forekomsten av resistente bakterier.

Helsemyndighetene følger utviklingen nøye.

Forsker Yuan Lin ved Høyskolen Kristiania og noen internasjonale kolleger undersøkte om den digitale informasjonen som allerede finnes i pasientenes journaler, kan gi et tidlig varsel.

– På intensivavdelingen har vi enorme mengder data. Vi ville bruke kunstig intelligens til å undersøke om mønstre i disse dataene kan si noe om risiko før bakterien påvises klinisk, sier Lin.

Algoritmen skulle finne de sjeldne tilfellene

Forskerne analyserte 25.864 intensivopphold fra to store helsedatabaser.

Av disse fikk 326 pasienter en resistent infeksjon mens de lå på intensivavdeling. Det er rundt 1,3 prosent av dem.

Når tilfellene er så sjeldne, blir de også vanskeligere å fange opp.

– Utfordringen er å trene algoritmen til å oppdage de sjeldne tilfellene og finne mønstre i dem, selv om de bare gjelder én til tre av hundre pasienter, sier Lin.

Forskerne brukte både løpende målinger og mer stabile opplysninger som alder og diagnosebakgrunn.

KI-modellen ga høy treffsikkerhet

Løpende målinger kan være vitale tegn som puls og kroppstemperatur, laboratorieverdier, bruk av antibiotika og behandling med respirator.

Annonse

De ba KI-modellen analysere utviklingen hos pasientene i en periode på enten 7 eller 14 dager.

Så skulle den beregne sannsynligheten for at en resistent bakterie vil bli påvist kort tid etter.

Treffsikkerheten var høy i analysene. Også da de testet med data fra andre sykehus, holdt resultatene seg.

– Dette tyder på at modellen vi har utviklet, kjenner igjen hvordan pasienters tilstand typisk endrer seg over tid – og kan bruke det til å gi gode vurderinger også for andre pasienter, sier Lin.

KI kan gi legene bedre grunnlag for beslutninger

Studien er basert på data fra tidligere pasienter. Den viser hvor godt systemet kan forutsi risiko.

Den sier ikke noe om hvordan et slikt verktøy vil påvirke behandlingen eller pasientenes helse i praksis.

Før systemet eventuelt kan tas i bruk i norske sykehus, må det testes i reelle behandlingssituasjoner.

Det må også vurderes grundig med tanke på nytte, risiko og pasientsikkerhet.

– Kunstig intelligens kan gi leger et bedre grunnlag for beslutning når situasjonen er kompleks og tiden knapp. Samtidig må vi teste og vurdere bruken grundig før slike systemer tas i bruk, understreker Lin.

Referanse:

World Health Organization: WHO warns of widespread resistance to common antibiotics worldwide. 2025.

Annonse

Yuan Lin mfl.: IAHED: An imbalance-adaptive hybrid encoder–decoder framework for early detection of ICU-acquired multidrug-resistant bacteria (sammendrag). IEEE Sensors Journal, 2026. Doi.org/10.1109/JSEN.2025.3628949

Slik jobbet forskerne

Forskerne laget en KI-modell ved å ta utgangspunkt i 25.864 intensivopphold fra en stor helsedatabase, nærmere bestemt den amerikanske MIMIC-IV.

Deretter testet de modellen på en helt annen, uavhengig database, eICU, for å sjekke om den også fungerer godt der og ikke bare på dataene den var laget med.

326 pasienter utviklet en multiresistent bakterie under intensivoppholdet. I analysene som bygget på henholdsvis 7 og 14 dagers pasientforløp, utgjorde dette mellom 1,2 og 2,9 prosent av pasientene.

Metode

Forskerne utviklet en maskinlæringsmodell som er laget for situasjoner der de alvorlige tilfellene er få.

Modellen analyserer hvordan pasientens tilstand utvikler seg over tid og er spesielt trent til å oppdage sjeldne hendelser.

De brukte også såkalt forklarbar kunstig intelligens (SHAP) for å finne ut hvilke kliniske faktorer som påvirker risikovurderingen mest. Forskerne ønsket også å tydeligere hvordan modellen faktisk kommer fram til resultatene sine.

Resultater

I analysene av hovedmaterialet lå AUROC (Area Under the Receiver Operating Characteristic curve) mellom 0,950 og 0,963, mens AUPRC (Area Under the Precision-Recall Curve) lå mellom 0,857 og 0,878.

Da forskerne testet modellen på uavhengige data fra andre sykehus, lå AUROC mellom 0,896 og 0,908, og AUPRC mellom 0,587 og 0,612.

AUROC måler hvor godt modellen klarer å skille mellom pasienter som senere tester positivt for resistente bakterier og de som ikke gjør det.

AUPRC er et evalueringsmål som brukes innen maskinlæring for å måle ytelsen til klassifiseringsmodeller, spesielt når klassene er ubalanserte. For eksempel når én klasse er mye sjeldnere enn den andre.

Verdier nær 1 betyr at modellen skiller svært godt mellom disse gruppene. Resultatene tyder på at modellen presterer godt – også når den testes på data fra andre sykehus.

I tillegg vurderte forskerne modellens ytelse med flere mål, blant annet treffsikkerhet, presisjon, sensitivitet og F1-score.

Studien er nylig publisert i IEEE Sensors Journal. Arbeidet inngår i et voksende forskningsfelt der forskere bruker avansert kunstig intelligens til å analysere store mengder helsedata og møte samfunnskritiske utfordringer.

Artikkelen er produsert og finansiert av Høyskolen Kristiania

Høyskolen Kristiania er én av over 80 eiere av forskning.no. Deres kommunikasjonsansatte leverer innhold til forskning.no. Vi merker dette innholdet for å tydelig skille formidling fra uavhengig redaksjonelt stoff.
Her kan du lese mer om ordningen.