Bildquelle: Shutterstock/Johan Swanepoel

Auf der Intensivstation

KI sagt Kreislaufversagen voraus

Forschende der ETH Zürich und des Inselspitals, Universitätsspital Bern, entwickelten eine Methode, mit der Kreislaufversagen von Patienten auf der Intensivstation mit hoher Zuverlässigkeit vorhergesagt werden kann.

Medizinisches Personal kann so früher intervenieren. Dem Ansatz zugrunde liegt die Auswertung umfangreicher Patientendaten durch Methoden des maschinellen Lernens. Die Forscher veröffentlichten ihre Erkenntnisse jetzt im Journal Nature Medicine.

Patienten auf der Intensivstation eines Spitals stehen unter genauer Beobachtung: Vitalwerte wie Puls, Blutdruck und Blutsauerstoffsättigung werden laufend gemessen. So haben die Ärzte und Pfleger eine Fülle von Daten zur Beurteilung des Gesundheitszustands der Patienten zur Verfügung. Dennoch ist es nicht einfach, aus diesen Informationen Prognosen zur weiteren Entwicklung des Zustands abzuleiten oder lebensbedrohliche Veränderungen weit voraus zu erkennen.

Die Forschenden haben nun eine Methode entwickelt, welche die verschiedenen Vitalwerte sowie weitere medizinisch relevante Informationen über einen Patienten miteinander kombiniert. Dadurch kann ein kritisches Kreislaufversagen mehrere Stunden vor dem Eintreten vorausgesagt werden. Ziel ist es, in Zukunft mit der Methode die Vitalwerte im Spital in Echtzeit auszuwerten und das behandelnde Personal vorzuwarnen. Dieses kann somit frühzeitig geeignete Maßnahmen einleiten.

Die Entwicklung dieses Ansatzes ermöglichte ein umfangreicher Datensatz der Universitätsklinik für Intensivmedizin des Inselspitals. Diese begann 2005 als erste große Intensivstation in der Schweiz, detaillierte und zeitlich hochaufgelöste Daten von Intensivpatienten in digitaler Form zu speichern. Für die Studie verwendeten die Forschenden Daten von 36.000 Aufenthalten auf der Intensivstation in anonymisierter Form und ausschließlich von Patienten, welche damit einverstanden waren, dass diese Daten für Forschungszwecke verwendet werden.

Selbst kurze Zeiträume mit ungenügendem Kreislauf erhöhen die Sterblichkeit deutlich

Tobias Merz

Auf Initiative von Tobias Merz, Forschungsmitarbeiter, ehemals Leitender Arzt in der Intensivmedizin am Inselspital Bern und heute am Auckland City Hospital tätig, analysierten Forschende um die ETH-Professoren Gunnar Rätsch und Karsten Borgwardt diese Daten mit Methoden des maschinellen Lernens. "Die so entwickelten Algorithmen und Modelle konnten im genutzten Datensatz 90 Prozent aller Kreislaufversagen vorhersagen. In 82 Prozent aller Fälle erfolgte die Vorhersage mindestens zwei Stunden im Voraus, womit den Ärzten Zeit für eine Intervention geblieben wäre", sagt Gunnar Rätsch, Professor für Biomedizininformatik an der ETH Zürich.

Für diese Arbeit standen den Forschern pro Patient mehrere Hundert unterschiedliche Messgrößen und medizinische Informationen zur Verfügung. "Wir konnten allerdings zeigen, dass bereits 20 Messgrößen für eine genaue Vorhersage ausreichen. Dazu gehören unter anderem Blutdruck, Puls, verschiedene Blutwerte, das Alter sowie die verabreichten Medikamente", erklärt Karsten Borgwardt, Professor für Data Mining an der ETH Zürich. Um die Qualität der Vorhersagen weiter zu verbessern, planen die Forschenden, Patientendaten weiterer großer Spitäler in künftige Analysen einzubeziehen. Zudem sollen der anonymisierte Datensatz sowie die Algorithmen und Modelle anderen Wissenschaftlern zur Verfügung gestellt werden.

"In der intensivmedizinischen Patientenbetreuung ist es zentral, Kreislaufversagen zu verhindern. Selbst kurze Zeiträume mit ungenügendem Kreislauf erhöhen die Sterblichkeit deutlich", sagt der Intensivmediziner Tobias Merz. "Heute müssen wir auf der Intensivstation mit einer Vielzahl von Alarmen umgehen. Diese sind nicht sehr präzise. Häufige Fehlalarme und kurze Vorwarnzeiten führen zu Verzögerungen bei kreislaufunterstützenden Maßnahmen." Die Forschenden möchten mit ihrem Ansatz daher die Vielzahl an Alarmen auf wenige, dafür hochrelevante und frühzeitige Alarme reduzieren. Dies ist möglich, wie die Studie zeigte: Mit der neuen Methode ließe sich die Anzahl der Alarme auf einen Zehntel reduzieren.

Damit die Methode als Frühwarnsystem eingesetzt werden kann, ist weitere Entwicklungsarbeit nötig. Ein erster Prototyp existiert bereits, wie ETH-Professor Rätsch sagt. Dessen Verlässlichkeit muss nun in klinischen Studien nachgewiesen werden.


Quelle: ETH Zürich

10.03.2020

Mehr aktuelle Beiträge lesen

Verwandte Artikel

Photo

"Kognitiver Assistent"

KI soll zukünftig OP-Risiken mindern

Wissenschaftler des Universitätsklinikum Heidelberg entwickeln einen „Kognitiven medizinischen Assistenten“. Der Algorithmus soll das individuelle Operationsrisiko des Patienten im Vorfeld…

Photo

Blutkrebs

Maschinelles Lernen hilft bei der Leukämie-Diagnose

Forschende der Universität Bonn zeigen, wie die Künstliche Intelligenz die Auswertung von Blutanalysedaten verbessert.

Photo

Covid-19-Proteine

Maschinelles Lernen enthüllt Taktiken des SARS-CoV-2-Virus

Forschende haben den bislang umfassendsten und detailreichsten Überblick aller weltweit verfügbaren 3D-Strukturen der Virusproteine zusammengetragen.

Verwandte Produkte

Agfa - Smart XR

Accessories/ Complementary Systems

Agfa - Smart XR

Agfa HealthCare
Canon - Advanced Intelligent Clear-IQ Engine for CT

Artificial Intelligence

Canon - Advanced Intelligent Clear-IQ Engine for CT

Canon Medical Systems Europe B.V.
Canon – Advanced intelligent Clear-IQ Engine for MR

Artificial Intelligence

Canon – Advanced intelligent Clear-IQ Engine for MR

Canon Medical Systems Europe B.V.
Canon - Aquilion Exceed LB

Oncology CT

Canon - Aquilion Exceed LB

Canon Medical Systems Europe B.V.
Canon - HIT Automation Platform

Artificial Intelligence

Canon - HIT Automation Platform

Canon Medical Systems Europe B.V.
Canon Medical - CT Scan Unit

Mobile CT Solutions

Canon Medical - CT Scan Unit

Canon Medical Systems Europe B.V.
Newsletter abonnieren