skip to Main Content

Virtuel supervision af kikkertundersøgelser tættere på at blive virkelighed

Kikkertundersøgelse

Nyt samarbejde med Olympus giver unik mulighed for at indsamle data i 3D fra kikkertundersøgelser af tarmen. Det er et springende punkt for at kunne udvikle et feedbacksystem, der automatisk og i real-time kan vurdere, hvor god undersøgelsen er og dermed højne sikkerheden for patienten.

De to ph.d.-studerende, ingeniør David Norsk fra DTU Compute, der er specialiseret i matematisk modellering, og læge Andreas Slot Vilmann fra Region Hovedstaden og Københavns Universitet, arbejder fra hver deres vinkel på samme forskningsprojekt. De er ved at udvikle et automatisk feedbacksystem, der kan vurdere, hvor dygtig en læge eller sygeplejerske er til at udføre en kikkertundersøgelse af tarmen (koloskopi). Systemet skal sikre, at undersøgelsen bliver udført korrekt og dermed medfører færre gener og større sikkerhed for patienten.

Koloskopi prototypen fra Olympus

Fra 2D til 3D data

I efteråret 2017 tog projektet endnu et skridt mod at realisere den vision. Her indgik de en aftale med Olympus, der står bag det udstyr, som mange hospitaler bruger, når de udfører kikkertundersøgelser. Aftalen betyder, at Olympus nu stiller seks prototyper til rådighed for de to forskere, så de kan indhente rå 3D-data fra kikkertundersøgelserne.

”Tidligere har vi kunnet se spidsen af koloskopet i 2D, men nu hvor Olympus er med, kan vi modtage de rå X, Y, Z koordinator 5 gange i sekundet fra punkter jævnt fordelt på hele koloskopet. Det gør, at vi konstant kan se hele koloskopets bevægelse i 3D,” fortæller David Norsk begejstret.

3D data fra simulerede kikkertundersøgelser

I december og januar har Andreas Vilmann indhentet disse 3D data fra 12 erfarne koloskopi-læger og 12 novicer, der har udført talrige kikkertundersøgelser på simulationsdukker. Nu skal der findes sammenhænge og mønstre i den data.

”Nede i kælderen under DTU Compute bygger vi et system, der med lidt smart matematik kan finde sammenhængen og finde ud af, hvordan man kan adskille novicer og eksperter. Vi bruger machine learning til at se, hvad der beskriver eksperter, og hvad der beskriver novicer,” forklarer David. Når de har data nok til at karakterisere en god undersøgelse, får de med andre ord nogle konkrete måleparametre som kan bruges til at bedømme kvaliteten af alle kikkertundersøgelser.

Næste skridt er at indhente data fra rigtige undersøgelser i klinikken. Derfor har de bygget en automatisk optageenhed, der kan kobles til koloskopiudstyret. Den opsamler automatisk data om undersøgelsen, så snart udstyret er tændt. Det betyder, at Andreas Vilmann her i foråret automatisk og kontinuerligt kan indsamle data fra seks hospitalsstuer uden selv at skulle være til stede.

Guide til at undgå smertefulde løkker

Det er dog ikke nok at se på, hvordan dygtige læger udfører undersøgelsen. 10-20% af alle koloskopier er svære at udføre, fordi der fx opstår løkker på koloskopet, hvilket strækker i tarmen og gør ondt på patienten, og samtidig stopper det fremdriften i undersøgelsen.

”Man ved faktisk ikke, i hvor høj grad det skyldes løkker. Vi vil måle, om det er løkker, hvilken slags og hvor de er, så man ved, hvad man skal gøre for at undgå dem,” fortæller David Norsk.

Han bruger matematiske modeller, der beskriver proteiners foldning, til at identificere og karakterisere løkker under en koloskopi.

”Matematikken beskriver, hvor meget koloskopet snor om sig selv, så vi simpelthen har et mål for, hvor snoet koloskopet er,” siger han.

Under simulationstræning kan denne nye indsigt bruges til at guide den uddannelsessøgende læge til at løsne løkken og komme videre med undersøgelsen. I klinikken kan det give oplysninger om, i hvor høj grad løkker opstår og hvad konsekvensen er for undersøgelsestiden. Når systemet er færdigudviklet vil det i real-time kunne forudsige om løkker er ved at opstå. Det vil hjælpe lægen til at undgå, at løkken opstår, og dermed sikre, at patienten får en mere effektiv behandling med færre komplikationer.

Kvalitet kan måles som jævn fremdrift i stedet for tid

Netop undersøgelsestiden er på nuværende tidspunkt det bedste måleparameter for kvaliteten af en undersøgelse. Når koloskopet er ført helt i gennem ende- og tyktarmen indtil tyndtarmens start, begynder selve undersøgelsen af tarmen, imens koloskopet langsomt trækkes ud igen. Denne tilbagetrækning er vurderet til at skulle tage 6,5 minutter. De to ph.d.-studerende mener dog ikke, at tid er et tilfredsstillende mål for kvaliteten af undersøgelsen.

”Vi kan lave nogle mere analytisk-baserede mål for kvaliteten. Matematisk er det muligt at skille indføring og tilbagetrækning fra hinanden i datasættene og dermed kan vi måle kvaliteten af selve undersøgelsen i forhold til, om der er en kontinuerlig bevægelse jævnt igennem hele tarmen. I princippet vil vi også på sigt kunne se på data, om man mangler at undersøge mindre områder i tarmen,” siger David Norsk.

”Prototypen fra Olympus er et springpunkt, der netop gør dette muligt,” understreger han.

Klinisk professor Lars Konge fra Copenhagen Academy for Medical Education and Simulation (CAMES) på Rigshospitalet er vejleder på projektet og han er begejstret for perspektivet i at kunne vurdere kvaliteten af undersøgelsen.

”Vi er på vej derhen, hvor vi kan udvikle en virtuel koloskopi-supervisor – et overvågningssystem, der sikrer løbende kvalitet. Det var en fjern drøm, da vi startede. Men det er tættere på nu. Med de nye resultater vil vi fremover kunne sikre, at der hele tiden er fremdrift i undersøgelsen. Hvis ikke der er fremdrift, kan der komme en mere erfaren læge ind og overtage proceduren. Vi kan også lave en eksamen, på simulator og i virkeligheden, der sikrer, at alle når et tilfredsstillende niveau og det vil højne patientsikkerheden!” understreger Lars Konge.

Det nye overvågningssystem vil have et stort vækstpotentiale, da det kan blive udbredt på hospitaler verden over.

Skriv et svar

Din e-mailadresse vil ikke blive publiceret. Krævede felter er markeret med *