Om prosjektet EKG AI
Akershus universitetssykehus (Ahus) er et lokal- og områdesykehus med 12 000 ansatte. Ahus har ansvar for omtrent 594 000 innbyggere i Follo, Romerike, Kongsvinger-regionen samt de nordligste bydelene i Oslo. Ahus er Norges største akuttsykehus med et pasientilbud innenfor somatikk, psykisk helsevern og rusbehandling.
Ahus har utviklet et beslutningsstøtteverktøy basert på kunstig intelligens, EKG AI, som kan predikere hjertesvikt hos pasienter. Beslutningsstøtteverktøyet utvikles ved å koble EKG-data med spesifikke diagnoser, såkalt veiledet læring.
Veiledet læring
Veiledet læring betyr at det benyttes kategoriserte data. Veiledningen skjer da i form av de merkelappene som følger med dataene.
(Hentet fra Kunstig intelligens og personvern, Datatilsynet, 2017, s. 7.)
Etter trening, test og validering resulterer dette i en algoritme som skal predikere sannsynligheten for hjertesvikt. Det er ikke tidligere utviklet lignende verktøy som er tatt i bruk i klinisk drift. Med det store pasientgrunnlaget til Ahus, har prosjektet gode forutsetninger for å utvikle et verktøy som har høy treffsikkerhet og som også kan tas i bruk ved andre helseforetak i Norge.
Med EKG AI ønsker Ahus å:
- Øke effektiviteten på diagnostisering og behandling av hjertesvikt.
- Forbedre diagnostisering av hjertesvikt, og kunne fastslå dette på et tidligere stadium enn tidligere.
- Mindre liggetid, raskere behandling og redusere dødelighet.
- Kommersialisere algoritmen til andre helseaktører.
Datakilder og dataflyt
Beslutningsstøtteverktøyet skal utvikles på Google Cloud platform med autoML-verktøyet Vertex AI.
Det anvendes omtrent 100 000 EKG-undersøkelser fra pasienter som har vært innlagt på Ahus de siste årene. Det finnes tre ulike fenotyper for hjertesvikt som krever ulik behandling. EKG-undersøkelsene grupperes basert på dette:
- Gruppe 1: hjertesvikt med redusert pumpefunksjon
- Gruppe 2: hjertesvikt med middels redusert pumpefunksjon
- Gruppe 3: hjertesvikt med bevart pumpefunksjon
- Gruppe 4: ikke hjertesvikt
Inndelingen gjøres ut fra diagnosekoder, blodprøven NT-proBNP og hjerteultralyd-målingen ejeksjonsfraksjon (EF). Se figur.
Dataene hentes fra to ulike kilder: EKG-arkivet ComPACS (EKG-målinger og hjertefunksjon (EF)) og journalsystemet DIPS (diagnosekoder og blodprøven NT-proBNP). Etter inndelingen i de fire gruppene pseudonymisere alle EKG-undersøkelsene. Etter dette overføres de til Google Cloud platform for trening, testing og validering med Vertex AI.
Pseudonymisering
Å avidentifisere personopplysninger slik at de ikke kan knyttes til en bestemt person uten bruk av tilleggsopplysninger (for eksempel en koblingsnøkkel) som lagres adskilt og tilstrekkelig sikkert. Pseudonymiserte personopplysninger er ikke anonyme.