AI-baserad detektion av Certas Plus-shuntventilens inställningar i datortomografier

Varför detta är viktigt för personer med hjärnvätskedränage

Många personer med ett tillstånd som kallas hydrocefalus är beroende av små inopererade rör, kallade shuntar, för att leda bort överskottsvätska från hjärnan. Dessa shuntar innehåller en liten justerbar ventil som läkare kan ställa in som en ratt för att kontrollera hur mycket vätska som avlägsnas. Om inställningen är fel eller ventilen fungerar dåligt kan patienterna bli allvarligt sjuka, och läkare behöver ofta snabba svar från hjärnavbildningar. Denna studie undersöker om artificiell intelligens (AI) kan läsa av ventilinställningarna direkt från vanliga CT-skanningar, vilket potentiellt kan spara tid, extra undersökningar och till och med sjukhusöverföringar.

Utmaningen att läsa en liten ratt inne i huvudet

För patienter med justerbara shuntar är kännedom om den aktuella ventilinställningen avgörande. Inställningen kan ändras av misstag, till exempel efter exponering för starka magneter i MR-kameror, vilket kan leda till för mycket eller för lite vätskeutdränering. I teorin kan läkare se inställningen på speciella röntgenbilder eller med ett handhållet verktyg, men i verkligheten har många sjukhus bara en CT-skanner lätt tillgänglig. Tyvärr gör metallkomponenter i shunten och den tredimensionella naturen hos CT-bilder den lilla indikatoren svår att tyda, även för erfarna neurokirurger. I denna studie fokuserade forskarna på en vanlig modell, Certas Plus-ventilen, och frågade om ett AI-system pålitligt kunde avgöra dess inställning från standard-CT-bilder.

Att omvandla CT-bilder till en enkel vinkel

Teamet samlade 391 huvud-CT-skanningar från patienter som hade Certas Plus-ventiler över sju år. För varje skanning säkerställde de att den dokumenterade ventilinställningen i journalen överensstämde med vad två neurokirurger såg på bilderna, vilket skapade en robust referenssanning. De använde sedan en modern AI-arkitektur för 3D-bilder, en så kallad U-formad neuronnätverk, för att lära en dator att hitta fem små metalmarkörer i varje ventil. När dessa markörer lokaliserats beräknade specialanpassad programvara centrum för var och en och rekonstruerade ventilens orientering. Genom att jämföra linjen genom två speciella magneter med linjen genom andra referensmarkörer mätte programvaran en vinkel, som sedan kunde översättas till en av de åtta möjliga ventilinställningarna.

Hur väl datorn matchade verkliga inställningar

På en separat testgrupp om 75 CT-skanningar lyckades AI-systemet hitta markörerna och beräkna en vinkel i 97,3 % av fallen. Det förutspådde exakt den dokumenterade ventilinställningen i 81,3 % av skanningarna. Viktigt är att när systemet var "fel" valde det nästan alltid en inställning som låg direkt intill den sanna på ratten, aldrig att hoppa från en mycket lågflödesinställning till en helt stängd. Eftersom själva ventilen kan justeras kontinuerligt mellan de märkta positionerna kan även officiella verktyg ha svårt att särskilja intilliggande inställningar. När forskarna räknade en förutsägelse som acceptabel om den var korrekt eller en steg fel ökade den totala prestandan till 96 %, vilket de hävdar är betydelsefullt för vardagliga kliniska beslut.

Vad detta kan förändra i vardagsvården

Vård av hydrocefalus är kostsam, och en stor kostnad är överföringar av patienter mellan sjukhus för specialundersökningar. Om en rutinmässig CT-skanning på ett mindre sjukhus automatiskt kunde analyseras för att bekräfta att en ventils inställning är rimlig, skulle några av dessa överföringar kunna undvikas. AI-modellen skapar också färgade konturer av ventilens delar på bilden, så kliniker kan visuellt granska och verifiera vad datorn gjort istället för att blint lita på ett enda tal. Även om studien genomfördes vid ett enda centrum med CT-skannrar från huvudsakligen en tillverkare, tyder resultaten på att automatiserad avläsning av shuntventilsinställningar är tekniskt möjlig.

Vart detta kan leda härnäst

Författarna slår fast att AI tillförlitligt kan identifiera inställningarna på Certas Plus-shuntventiler i CT-skanningar och uppnår en noggrannhet som kan jämföras med mänskliga experter och sannolikt är tillräcklig för att stödja klinisk vård i praktiken. De betonar att större, multinations- och flercentriga studier behövs för att bekräfta att metoden fungerar över olika skannermodeller och patientpopulationer, och för att anpassa den till andra ventiltyper eller patienter med mer än en ventil. Om dessa insatser lyckas kan framtida patienter med hydrocefalus få sina ventilinställningar kontrollerade snabbt och säkert från de skanningar de redan får, vilket minskar behovet av extra bildtagning och hjälper läkare upptäcka shuntproblem tidigare.

Citering: Scheffler, P., Shah, M., Amirah, R. et al. AI-based detection of Certas Plus shunt valve settings in CT scans. Sci Rep 16, 9647 (2026). https://doi.org/10.1038/s41598-026-45388-2

Nyckelord: hydrocefalus, cerebrospinalvätske-shunt, datortomografi, medicinsk bildbehandling AI, programmerbar ventil