Svekket regulering av nyregjennomblødningen er et tidlig tegn på akutt nyresvikt, men er vanskelig å måle klinisk siden nyrene beveger seg med pusten. Vi bruker maskinlæring for å måle blodstrøm i nyrenes arterier uavhengig av respirasjonsbevegelse, og benytter dette til å etablere nye metoder for å kunne forutsi og forhindre mulig nyresvikt.
Akutt nyresvikt er en fryktet komplikasjon ved store operasjoner og alvorlig sykdom. Den forlenger sykeleiet og øker dødeligheten. Fordi nyrene har stor reservekapasitet oppdages svikten seint. Vi kan stille diagnosen tidligere ved å undersøke autoreguleringen av nyrens blodstrøm. Dette kan redusere sykelighet og død hos pasientene.
I prosjektet utvikler vi altså algoritmer for automatisk segmentering og tracking av nyrearterier i ultralydopptak ved hjelp av dyp læring. Fasilitert av disse metodene og moderne ultralydmetodikk, så kan blodstrømmen i nyrene måles over enn lengre periode enn dagens teknologi. Disse målingene kombineres med blodtrykk for å gi unike data for prediksjon av nyresvikt.
Prosjektet befinner seg i en teknisk utviklingsfase. Nyetablerte algoritmer og metoder valideres ved datasimulering, testing i modeller og forsøksdyr. Parallelt med dette har vi startet innsamling av et større datamateriale fra pasienter med sikte på videreutvikling og optimalisering av metodene.