logo Helse Midt-Norge

Forskningsrapporten 2022:

Bruker kunstig intelligens til å gjenkjenne CP hos spebarn

Et dataprogram utviklet av kunstig intelligens kan med høy treffsikkerhet anslå om et spebarn vil få cerebral parese. På sikt kan flere barn få hjelp tidligere enn før.

Publisert 30.05.2023
En mann i laboratoriefrakk ved hjelp av en bærbar PC
Prosjektleder Lars Adde viser punktene som maskinlæringsmetoden registrerer når den ser etter tegn på cerebral parese hos barn. Metoden vil bli en data-basert klinisk beslutningsstøtte for tidlig identifisering av barn med CP. Foto: Geir Otto Johansen

- Hvis et barn blir født mye for tidlig øker det sannsynligheten for at barnet utvikler cerebral parese, forteller Lars Adde, spesialist i barnefysioterapi og PhD i klinisk medisin ved St. Olavs hospital.

Mens de fleste nyfødte reiser hjem med foreldrene etter at de er født, legges åtte til ti prosent inn på nyfødt intensiv av ulike medisinske årsaker. Det kan være at de er for tidlig født, at de har pustebesvær eller infeksjoner.

I denne gruppa er det noen få som har en sykehistorie som gjør at det er risiko for skade på hjernen. I verste fall kan en slik skade føre til sykdommen cerebral parese (CP).

Denne saken inngår i den årlige rapporten om forsknings- og innovasjonsaktivitetene i helseforetakene. Les hele rapporten her (PDF)

CP er en samlebetegnelse for en gruppe tilstander kjennetegnet ved en forstyrrelse i bevegelse og motorisk funksjon. Tilstanden er forårsaket av en skade i hjernen før barnet fyller to år. Alvorlighetsgraden varierer fra milde tilfeller til svært alvorlig funksjonshemming.

- Det er få av barna som får denne sykdommen, men de som har risiko tas inn i et oppfølgingsprogram. Der følges de opp av et tverrfaglig team med faste kontroller fram til de er fem år, sier Adde.

LES OGSÅ: Har funnet nye kriterier for selvmord

Diagnose med video

En av hovedmotivasjonene for å følge barnet, er å avdekke så tidlig som mulig om barnet har en varig hjerneskade. Bare om lag én av ti av de som følges opp får diagnosen, så det brukes mange ressurser på å følge opp barn som ikke er alvorlig syke, forteller Adde.

- Vi ønsker å stille diagnosen så tidlig som mulig. Den beste tiden for å påvirke hjernen med tanke på trening og behandling, er de to første leveårene. Da har hjernen størst evne til omstillbarhet. 

Se og hør Lars Adde, spesialist i barnefysioterapi og PhD i klinisk medisin ved St. Olavs hospital, fortelle om forskningsprosjektet.

Forskere i Europa har utviklet observasjonsmetoden General Movement Assessment (GMA) der klinikere observerer spebarnets spontane bevegelser mellom 12 og 18 uker etter termindato i en tre minutter lang videofilm. En godt trent menneskelig ekspert kan se på barnets bevegelser og på bakgrunn av det med høy treffsikkerhet anslå om barnet vil få CP eller ikke.

LES OGSÅ: Utviklet ny type skulderoperasjon ved hjelp av roboter

De siste årene har sykehuset jobbet med å identifisere de samme bevegelsene til spebarnet på videofilm, med gode resultater.

- Nå er vi i gang med et prosjekt der vi tar i bruk avstandsbasert film, der foreldrene filmer barna sine hjemme og sender filmen inn til oss for klinisk vurdering. Og så er vi i gang med et forskningsprosjekt som går på maskinlæring, eller kunstig intelligens. Der bruker vi de samme videoene som vi bruker klinisk. Ved hjelp av en bevegelsestracker som fanger bevegelsene fra videoen, henter vi ut data til å bygge en modell som sier noe om risiko for CP, forteller Adde.

AI like bra som klinikere

- Kort fortalt har vi brukt kunstig intelligens til å utvikle en modell som kan gjøre det samme som den menneskelige eksperten. Altså identifisere spebarnets bevegelser og anslå om barnet vil få CP. Det er interessant at modellen gjør det om lag like bra som klinikerne, sier Inga Strümke, forsker ved Institutt for datateknologi og informatikk, NTNU.

En gruppe mennesker som poserer for et bilde
Forsker Inga Strümke ved Institutt for datateknologi og informatikk ved NTNU er en nøkkelperson i prosjektet. Her sammen med Lars Adde og flere medlemmer av Nowegian Open AI Lab. Foto: Kai Kristiansen

Et av de store spørsmålene i prosjektet er: Hva har modellen sett i bevegelsene til barnet? Og er informasjonen robust nok til å kunne brukes på pasienter på et sykehus?

- Baserer modellen seg på informasjon som gir mening for klinikerne? Baserer den seg på en tullete sammenheng vi ikke burde bruke, eller har den kanskje til og med skjønt noe om verden som vi ikke har skjønt? Er det noen sammenhenger her vi kan lære av, spør Strümke.

Så langt ser det ut til at modellen klassifiserer på en nøyaktig og god måte, men en vet ennå ikke helt hvordan.

- Som en del av prosjektet har vi lyst til å prøve ut disse databaserte modellene. Bruken av maskinlæremetodikk i et klinisk miljø kan bli en god beslutningsstøtte for legen eller fysioterapeuten. Vi skal ikke fjerne klinikeren, men gjøre hen enda bedre og bidra til at helsevesenet kan ta i bruk arbeidsbesparende prosesser i undersøkelser av denne pasientgruppa. Dette er svært aktuelt etter rapporten fra helsepersonellkommisjonen. Men vi trenger å vite hva algoritmene faktisk gjør, slik at det blir lettere å overvåke dem hvis de gjør feil, sier Adde.

Gir helt nye muligheter

En annen del av prosjektet er et doktorgradsarbeid som intervjuer foreldrene og spør dem hva de synes om å få en tidig vurdering av en mulig alvorlig hjerneskade. For mange foreldre er det uansett en lettelse å få avklart om det er en lav risiko for at barnet deres er alvorlig sykt eller ikke.

Både i dette arbeidet og i resten av prosjektet har CP-foreninga vært med og diskutert problemstillingene, i tillegg til at de har støttet forskninga og formidlet resultatene gjennom sine kanaler.

Nesten alle foreldre sender inn videoopptak av sitt spedbarns spontane bevegelser med god nok kvalitet til å kunne gjennomføre en avstandsbasert undersøkelse med GMA-metoden i Helse Midt-Norge. Foreløpige resultater viser at sporing av bevegelse i hjemme-baserte håndholdte smarttelefon-opptak med maskinlæringsmetoden er til å stole på. Dette er en viktig milepæl for videre utvikling av en automatisk beslutningstøtte for tidlig identifisering av CP, mener Adde.

- Vi startet med VHS-kassetter tidlig på 2000-tallet, så digitale kamera, deretter smarttelefonene. Alt har skjedd i løpet av 20 år. Men det er først de siste seks til åtte årene at maskinlæring har åpnet helt nye muligheter for prosjektet vårt. Det er utrolig gøy, sier Adde.

- Utviklinga går utrolig raskt. Vi ser på mange måter at maskiner løser problemer vi mennesker ikke er i nærheten av å løse. Jeg vil si at det ville vært direkte uetisk ikke å ta i bruk slike verktøy i medisinen, sier Strümke.

Om prosjektet

  • Prosjekttittel: Tidlig risikovurdering for cerebral parese hos syke nyfødte i Helse Midt-Norge, ved St.Olavs hospital HF, Rehabiliteringsklinikken. Starttidspunkt og varighet: 2019, avsluttes 2024/25. Finansieringskilder: Samarbeidsorganet Helse Midt-Norge, Helse Midt-Norge innovasjonsmidler, Norges Forskningsråd.
  • Prosjektet har som mål å etablere en infrastruktur for tidlig og gjennomførbar undersøkelse for å identifisere cerebral parese (CP) hos syke nyfødte, med hjemmebaserte videoopptak og avstandsbasert ekspertvurdering. Et delmål har vært å vurdere brukbarheten av den utviklede maskinlæringsmetoden til å spore barnets spontane bevegelser, som en data-basert klinisk beslutningsstøtte for tidlig identifisering av barn med CP.
  • Prosjektleder: Lars Adde, spesialist i barnefysioterapi, PhD i klinisk medisin. Medarbeidere og samarbeidspartnere: Inga Strümke, IDI, NTNU, Ketil Thorvik, Hemit, Beate Horsberg Eriksen, Ålesund Sykehus m.fl.

PUBLIKASJONER:

  • Helsedirektoratet. Nasjonal faglig retningslinje for oppfølging av for tidlig fødte barn [cited 2021 03.05.2021]. Available from: https://helsedirektoratet.no/retningslinjer/nasjonal-faglig-retningslinje-for-oppfolging-av-for-tidlig-fodte-barn. 
  • Novak I, Morgan C, Adde L, Blackman J, Boyd RN, Brunstrom-Hernandez J, et al. Early, Accurate Diagnosis and Early Intervention in Cerebral Palsy: Advances in Diagnosis and Treatment. JAMA Pediatr. 2017;171(9):897-907.