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)
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.
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.
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.
