Artikel
DEA Diagnostic Expert Advisor
Suche in Medline nach
Autoren
-
Richard Polzin
- Institute for Computational Biomedicine, RWTH Aachen University, Germany; Joint Research Center for Computational Biomedicine, RWTH Aachen University, Germany; SMITH Consortium of the German Medical Informatics Initiative, Leipzig, Germany
-
Konstantin Sharafutdinov
- Institute for Computational Biomedicine, RWTH Aachen University, Germany; Joint Research Center for Computational Biomedicine, RWTH Aachen University, Germany; SMITH Consortium of the German Medical Informatics Initiative, Leipzig, Germany
-
Hannah Mayer
- SMITH Consortium of the German Medical Informatics Initiative, Leipzig, Germany; Systems Pharmacology & Medicine, Bayer AG, Leverkusen, Germany
-
Chadi Barakat
- SMITH Consortium of the German Medical Informatics Initiative, Leipzig, Germany; School of Engineering and Natural Sciences, University of Iceland, Reykjavik, Iceland
-
Gernot Marx
- SMITH Consortium of the German Medical Informatics Initiative, Leipzig, Germany; Department of Intensive Care Medicine, University Hospital RWTH Aachen, Germany
-
Johannes Bickenbach
- SMITH Consortium of the German Medical Informatics Initiative, Leipzig, Germany; Department of Intensive Care Medicine, University Hospital RWTH Aachen, Germany
-
Andreas Schuppert
- Institute for Computational Biomedicine, RWTH Aachen University, Germany; Joint Research Center for Computational Biomedicine, RWTH Aachen University, Germany; SMITH Consortium of the German Medical Informatics Initiative, Leipzig, Germany
| Veröffentlicht: | 31. Januar 2023 |
|---|
Gliederung
Text
Einleitung und Zielstellung: Im Rahmen des Projektes „Algorithmic surveillance of ICU patients with acute respiratory distress syndrome“ wurde der Diagnostic Expert Advisor (DEA) entwickelt [1]. Mit Hilfe von künstlicher Intelligenz soll der DEA dem behandelnden Arzt assistieren und berechnet kontinuierliche Prognosen über den Krankheitsverlauf. Der Fokus liegt dabei auf der Vorhersage des Horowitz-Quotienten, eines Messwertes der Lungenfunktion. Während zur Diagnose von akutem Lungenversagen (ARDS) weitere Kriterien erfüllt sein müssen [2], ist ein rapider Abfall des Horowitz-Quotienten ein sicheres Indiz dafür, dass sich der Patientenzustand verschlechtern wird.
Methoden: Der DEA verwendet einen Zustandsvektor, der die relevanten Parameter des Patienten über die letzten zwei Tage hinweg beschreibt, um eine binäre Einschätzung der Entwicklung des Horowitz-Quotienten zu generieren. Dabei bietet die Zielfunktion diverse Freiheitsgrade, um die Vorhersage an den klinischen Alltag anzupassen.
Das zentrale Vorhersagemodell basiert auf parallelen Baumstrukturen (Parallel Tree Boosting), erlaubt Einblicke in das Reasoning (Explainable AI), lässt sich vor Ort weiter trainieren und an jeweilige Standorte anpassen.
Ergebnisse: Während aufgrund der Einzigartigkeit der SMITH-Daten, sowie der Definition unserer Zielfunktion kaum vergleichbare Studien existieren, ließ sich zeigen, dass der DEA bei adaptierter Zielfunktion auf dem Leistungsniveau anderer Publikationen agiert, oder dieses sogar überschreitet [3], [4].
Des Weiteren wurde im Rahmen der Forschungsarbeiten eine Strategie entwickelt, welche es ermöglicht die Performance des DEA für besonders gefährdete Patientengruppen weiter zu optimieren.
Die im Rahmen der Forschungsarbeiten entstandene Softwareplattform ist flexibel an andere Vorhersageziele anpassbar (Organversagen, Sepsis, …), sowie erweiterbar für weitere Individualisierungen.
Diskussion: Die erzielte ROC-AUC spiegelt den State of the Art wider, lenkt aber den Fokus auf eine andere Problematik. Selbst bei performanten Modellen kommt es durch die niedrige Eventrate zu vielen Fehlalarmen. Auf der einen Seite erfordert dies eine Balance aus akzeptierbarer Fehlalarmrate, Therapeutischen Optionen bei frühzeitigem Alarm und Risiko für den Patienten sollte kein Alarm ausgelöst werden. Patientenindividualisierung, mehrstufige Klassifikationen und digitale Zwillinge sind einige der Methoden, welche in Zukunft die Nutzbarkeit im Klinikalltag vorantreiben könnten.
Literatur
- 1.
- Marx G, Bickenbach J, Fritsch SJ, Kunze JB, Maassen O, Deffge S, Kistermann J, Haferkamp S, Lutz I, Voellm NK, Lowitsch V, Polzin R, Sharafutdinov K, Mayer H, Kuepfer L, Burghaus R, Schmitt W, Lippert J, Riedel M, Barakat C, Stollenwerk A, Fonck S, Putensen C, Zenker S, Erdfelder F, Grigutsch D, Kram R, Beyer S, Kampe K, Gewehr JE, Salman F, Juers P, Kluge S, Tiller D, Wisotzki E, Gross S, Homeister L, Bloos F, Scherag A, Ammon D, Mueller S, Palm J, Simon P, Jahn N, Loeffler M, Wendt T, Schuerholz T, Groeber P, Schuppert A. Algorithmic surveillance of ICU patients with acute respiratory distress syndrome (ASIC): protocol for a multicentre stepped-wedge cluster randomised quality improvement strategy. BMJ Open. 2021 Apr 8;11(4):e045589. DOI: 10.1136/bmjopen-2020-045589
- 2.
- Ranieri VM, Rubenfeld GD, Thompson BT, Ferguson ND, Caldwell E, Fan E, Camporota L, Slutsky AS; ARDS Definition Task Force. Acute respiratory distress syndrome: the Berlin Definition. JAMA. 2012 Jun 20;307(23):2526-33. DOI: 10.1001/jama.2012.5669
- 3.
- Le S, Pellegrini E, Green-Saxena A, Summers C, Hoffman J, Calvert J, Das R. Supervised machine learning for the early prediction of acute respiratory distress syndrome (ARDS). J Crit Care. 2020 Dec;60:96-102. DOI: 10.1016/j.jcrc.2020.07.019
- 4.
- Rashid M, Ramakrishnan M, Chandran VP, Nandish S, Nair S, Shanbhag V, Thunga G. Artificial intelligence in acute respiratory distress syndrome: a systematic review. Artif Intell Med. 2022 Sep;131:102361. DOI: 10.1016/j.artmed.2022.102361
