August M
Ett nytt verktyg baserat på artificiell intelligens kan förändra hur läkare förbereder patienter inför operation. Genom att analysera genetiska data menar forskare att det kan bli möjligt att identifiera livshotande risker tidigare än någonsin.
Utvecklingen riktar sig mot sepsis, ett tillstånd som orsakar miljontals dödsfall varje år världen över.
Forskare vid CIBER vid Universitetssjukhuset i Valladolid har skapat en AI-baserad modell som är utformad för att uppskatta sannolikheten för att sepsis utvecklas efter operation, rapporterar WPtech. Resultaten publicerades i tidskriften Frontiers in Medicine.
I stället för att enbart förlita sig på kliniska observationer utvärderar systemet genetiska mönster för att identifiera patienter som kan löpa högre risk för komplikationer.
Ett globalt hot
Sepsis uppstår när kroppen överreagerar på en infektion, ofta bakteriell, vilket utlöser omfattande inflammation och organskador. Dödligheten ligger vanligtvis mellan 10 och 20 procent och stiger till omkring 40 procent vid septisk chock.
Globalt kopplas tillståndet till cirka 11 miljoner dödsfall varje år, vilket gör det till en av de främsta dödsorsakerna.
Dessa siffror understryker behovet av att upptäcka och behandla tillståndet tidigare i vården.
Gener i fokus
För att bygga modellen analyserade forskarna genomdata från en stor patientgrupp. Detta omfattade 750 personer som utvecklade sepsis efter operation och 3 500 som inte gjorde det.
Systemet utvärderade därefter genetiska varianter och rangordnade dem efter deras betydelse för att förutsäga komplikationer.
Genom denna process identifierade forskarna viktiga variationer i gener som PRIM2, SYNPR och RBSN, vilka tycks spela en roll för mottaglighet.
Tidigare insatser
Utöver att förutsäga risker ger modellen även insikter i biologiska mekanismer kopplade till sepsis. Den lyfter fram gener som är involverade i processer som DNA-replikation, cellsignalering och reglering av genaktivitet.
Forskarna menar att detta tillvägagångssätt kan göra det möjligt för kliniker att agera innan komplikationer uppstår och anpassa vården efter varje patients genetiska profil.
Om verktyget införs i kliniska miljöer kan det bidra till att minska risker och förbättra kirurgiska resultat genom tidigare och mer riktade insatser.
Källor: WPtech, Frontiers in Medicine
