Djup venetrombose, eller DVT, kan vere ein alvorleg sjukdom.
Ein blodpropp vert danna ved at blod koagulerer i ei djuptliggjande vene, som oftast i leggen. Dersom blodproppen losnar, kan den bli frakta gjennom venene til lungene.
I verste fall kan utfallet vera død.
Diagnosen er vanskeleg å stille. Typiske symptom er at huda raudnar, varme, hevelse eller smerter i ein fot eller ein arm. Desse symptoma kan like gjerne koma av ganske uskuldige tilstandar.
Legane kan ta blodprøvar og bruka eit eige skåringssystem for DVT. I ein del tilfelle gjer svara ein får at ein kan seia at det er lite sannsynleg at pasienten har DVT. I motsett fall vert pasienten send til ultralydundersøking.
Ynskjer å letta press på ultralyd
– Ultralyd er ein knappheitsressurs. Det vert ikkje riktig å seia at dei som får avkrefta DVT med ultralyd har fått ei unødvendig undersøking, men det hadde vore gunstig med fleire avkreftingar før det kjem så langt som til ultralyd, seier forskar Ruslan Sorano ved Høgskolen i Østfold.
– Blodprøvar og skåringssystemet lukar ut rundt 30 prosent av pasientane, seier Ruslan Sorano.(Foto: Privat)
– Blodprøvar og skåringssystemet lukar ut rundt 30 prosent av pasientane. Å fjerna ytterlegare 15–20 prosent kan letta presset på kapasiteten til ultralydundersøkingane.
Sorano har delteke i eit prosjekt saman med mellom andre Högskolan i Borås, Chalmers tekniska högskola og Sjukehuset Østfold Kalnes med dette målet for auge.
Arbeidet har utgjort ein del av doktorgraden hans ved Institutt for informatikk, Universitetet i Oslo.
Trening og finpussing
– Sjukehuset Østfold Kalnes har ei forskargruppe som arbeider med DVT. Dei hadde alt gjort ei omfattande datainnsamling blant pasientar som kom til legevakta med mistanke om DVT, fortel Sorano.
– Vi fekk løyve til å bruka materialet, sjølvsagt anonymisert. Sjukehuset gjorde òg ein stor jobb med å koda dataa frå 1600 pasientar på ei form som gjorde dei leselege for maskina.
Dei starta med 20 ulike state-of-the-art klassifiseringsalgoritmar, som Sorano kallar det. Dei tre som presterte best vart forbetra gjennom finpussing og fleire rundar med trening.
Stilla riktig diagnose
Data frå førti prosent av pasientane vart sette til side for seinare testing, medan modellane fekk trena seg på resten.
– Vi hadde ei mengd opplysningar om kvar pasient: kjønn, alder, høgde, vekt, sjukdomshistorie. Datasettet inneheldt kanskje så mykje som 200 variablar. Av dei brukte vi 40–50, seier Sorano.
– Dette var pasientar som var ferdigbehandla, så modellane hadde òg tilgang til utfallet av undersøkingane dei hadde vore gjennom.
Annonse
Etter at modellane hadde oppnådd høg eller svært høg treffprosent, henta forskarane fram dei førti prosentane som var sette til side. Men i dette settet fekk ikkje modellane vita resultata. Tvert i mot skulle dei no undersøkja kor gode modellane var til å stilla riktig diagnose.
– Poenget var å sjå om dei var like treffsikker på dette materialet som i materialet dei hadde trena på. La oss seia at dei hadde 95 prosent treff på materialet dei hadde trena på, seier Sorano.
Takast i bruk på sjukehus
– Om vi testar dei på materiale som er nytt for han og oppnår til dømes 94 prosent, er det svært bra, seier Sorano.
Resultata deira viste at maskinlæringsmodellane gav betre resultat enn blodprøver åleine.
– Det viser at modellen kan brukast. Vi har òg identifisert kva for en algoritme som gjev dei beste resultata. På denne typen data fungerer denne typen algoritmar faktisk betre enn nevrale nettverk, som elles vert rekna for å vera betre, seier Sorano.
Nevrale nettverk er en teknikk som brukes som byggesteiner innen maskinlæring og kunstig intelligens. De kan ses på som en veldig grov forenkling av hvordan nervecellene i hjernen fungerer.
– Planen no er å utvikla ein applikasjon som kan takast i bruk på sjukehus. Det beste hadde vore å ha noko som kunne brukast av allmennlegar, som fastlegar og legevakt.
