gms | German Medical Science

Einleitung und Zielstellung: Der Use Case ASIC zielt darauf ab, die Behandlung von Patienten mit akutem Lungenversagen (Acute respiratory distress syndrome, ARDS) zu verbessern. ARDS ist ein schweres Krankheitsbild, das mit einer massiven Störung des Gasaustauschs und Lungenschäden einhergeht. Die Letalität der Patienten liegt bei ca. 40%, was auch auf eine zu späte oder ausbleibende Diagnose zurückzuführen ist [1]. Mit Hilfe von Methoden der künstlichen Intelligenz, welche mit intensivmedizinischen Sekundärdatenbanken trainiert werden können, sollen die behandelnden Ärzte beim Diagnose-Prozess unterstützt werden [2]. Bei der Integration von KI-Unterstützung ergeben sich viele Anforderungen und Herausforderungen. Hierbei befassen wir uns insbesondere mit der Datenschnittstelle, den Anforderungen an die KI-Methoden und die Darstellung der Ergebnisse für das medizinische Fachpersonal (siehe Abbildung 1 [Abb. 1]).

Methoden:

Datenschnittstelle: Beim Training von KI-Methoden spielt die Datengrundlage eine fundamentale Rolle. Es muss sichergestellt werden, dass eine ausreichende Datenqualität gegeben ist, um belastbare Einschätzungen und Ergebnisse zu erhalten. Hierbei wird die harmonisierte Definition von Kahn et al. genutzt, welche die Kernkriterien Vollständigkeit, Konformität und Plausibilität herausstellt [3]. Darauf aufbauend werden verschiedene Algorithmen entwickelt, um diese Kriterien, insbesondere die Datenplausibilität, automatisiert zu überprüfen. Unser Fokus liegt auf der Erkennung von Dateninkonsistenzen (sog. „Novelties“).

Anforderungen an KI-Methoden: In der Literatur werden viele verschiedene Methoden und Modelle veröffentlicht, welche zur (Früh-) Erkennung und Prädiktion von ARDS entwickelt wurden. Viele dieser Methoden werden nur mit einzelnen Datensätzen trainiert und evaluiert. Durch die Nutzung von heterogenen Datensätzen aus verschiedenen Kliniken und Ländern werden robuste KI-Methoden erstellt. Im Kontext von ARDS muss zudem eine Analyse von routinemäßig aufgezeichneten Vitaldaten sowie Röntgenaufnahmen implementiert werden, um alle Kriterien der Berlin-Definition abzubilden [4]. Zudem werden mit den zur Verfügung stehenden Datenbanken verschiedene Methoden und Modelle implementiert und miteinander verglichen.

Nutzerschnittstelle: Bei der Nutzung einer KI-Unterstützung ist die Erklärbarkeit und Nachvollziehbarkeit sehr wichtig, um eine kontinuierliche Transparenz zu gewährleisten. Viele Machine Learning-Verfahren stellen eine „BlackBox“ dar, bei denen der genaue Weg zum Ergebnis nicht mehr nachvollziehbar ist. In der Literatur werden verschiedene Möglichkeiten veröffentlicht, um die Ergebnisse erklärbar und nachvollziehbar zu gestalten – eine klare Definition gibt es hier jedoch nicht, sodass diese Methoden mit Einbindung des Fachpersonals hinsichtlich ihrer Erklärbarkeit evaluiert werden müssen.

Ergebnisse: Um die Bewertung und den Vergleich der vorliegenden Sekundärdatenbanken zu ermöglichen wurde ein auf den Anwendungsfall ASIC angepasstes Datenqualitäts-konzept entworfen.

Zur Visualisierung und Annotation von intensiv-medizinischen Patientendaten wurde ein Analysesystem (NDAS – „Novelty Detection Analysis System“) entwickelt. Mit diesem wurde ein Datensatz generiert, in dem Dateninkonsistenzen wie Sensorfehler und Zustandsveränderungen von Fachärzten annotiert wurden. Dieser Datensatz dient der Implementierung und Evaluation von Novelty-Erkennungsalgorithmen. Im NDAS können diese Algorithmen effizient miteinander verglichen werden.

Für die Erkennung von ARDS-Patienten wurden mit den im Use Case ASIC gesammelten sowie vorliegenden Sekundärdaten verschiedene Klassifikationsalgorithmen entwickelt. Methoden, wie ein Bayes’sches Netzwerk und ein Random-Forest Algorithmus zeigen bereits vielversprechende Ergebnisse. Ebenfalls wurde mit Hilfe von Transfer-Learning ein Deep Learning Modell trainiert, welches bilaterale Lungeninfiltrate in Röntgenbildern erkennen kann. Diese Ergebnisse werden in weiteren Studien und insbesondere Nutzerstudien bei medizinischen Fachpersonal auf Ihre Nachvollziehbarkeit überprüft.

Diskussion: In der Literatur werden viele Methoden zur Erkennung und Prädiktion von ARDS bei Intensivstationspatienten veröffentlicht. Die wenigsten dieser Methoden wurden allerdings durch einen prospektiven Einsatz in der klinischen Praxis validiert. Dies muss in zukünftigen Projekten adressiert werden, um das Ziel – valide Vorhersagen und einen möglichst frühen Therapiebeginn – zu gewährleisten. Die aus unseren Arbeiten resultierende Software-Architektur soll hierzu als Grundlage dienen und diese Validierung unterstützen. Durch die Einbindung von Fachpersonal, welches die KI-Methoden in der Zukunft konsultieren soll, soll deren Nachvollziehbarkeit und somit das Vertrauen in diese gefördert werden.

Zusammenfassung: Um die Patientenbehandlung von ARDS-Patienten zu verbessern, sollen zukünftig KI-Methoden bei der Diagnose und Prognose unterstützend herangezogen werden. Ziel ist hierbei, durch eine auf diesen Anwendungsfall angepasste Software-Architektur die Einbindung in den Prozess zu erleichtern. Dabei sollen die Erfahrung und Fähigkeiten des behandelnden Fachpersonals weiterhin maßgebend sein, um letztlich über die Therapie zu entscheiden.