anim-2024-eposter2-65b0d804e07ff599219994.jpg

anim-2024-eposter-65b0b7de99ff4710779054.jpg

Arbeitstagung Neurointensivmedizin 41. Jahrestagung der DGNI und DSG

Prof. Dr.med. 

PD Dr. med.

Trotz moderner apparativer Diagnostikverfahren (z.B. MRT, PET-CT, Elektrophysiologie, laborchemische Parameter) ist die Prognoseeinschätzung von Neurointensivpatienten mit schweren ZNS-Erkrankungen in der akuten Krankheitsphase auf der Intensivstation unpräzise. Therapieentscheidungen hinsichtlich Fortführung, Einfrieren oder Beendigung einer Intensivtherapie hängen in erheblichen Umfang vom persönlichen Erfahrungsgrad der behandelnden Intensivmediziner ab. Real-time Daten des Neuromonitorings und deren Analyse mittels KI-gestützter Methoden bergen das Potential das Langzeit-Outcome von Neurointensivpatienten bereits auf der Intensivstation besser vorhersagen zu können. Der Vortrag soll einen Überblick über die aktuelle Datenlage zum Einsatz von KI zur Neuroprognostik in der Neurointensivmedizin geben. Exemplarisch vorgestellt werden soll die NeuProg Studie der Berliner Charité, die high-volume Neuromonitoringdaten aus einem Data Warehouse System inklusive EEG-Daten nutzt, um Prädiktionsmodelle für die Wiedererlangung von Bewusstsein und des Langzeit-Outcomes bei aresponsiven Patienten mit Hirnverletzungen zu entwickeln. Mittels Machine Learning soll ein Algorithmus entwickelt werden, der Langzeitveränderungen im EEG über die Zeit analysiert, um darüber das Langzeit-Outcome von Neurointensivpatienten prognostizieren zu können. Die Validierung  des Algorithmus erfolgt anhand des tatsächlichen klinischen Outcomes der Patienten, erhoben mittels Follow-up Visiten nach 6 und 12 Monaten.

Neuroprognostik auf der NeuroICU anhand KI-basierter Methoden

Vortrag

Die Kombination von klinischen Variablen und Informationen aus der Bildgebung ist von entscheidender Bedeutung für die prädiktive Risikobewertung und Entscheidungsfindung in der Neurochirurgie. Durch den Einsatz von Künstlicher Intelligenz (KI) können Bildgebungsdaten in 3D-Objekte umgewandelt werden, um Operationen vorzubereiten, zu trainieren und durchzuführen. Diese annotierten Modelle können auch mit klinischen Variablen kombiniert werden, wobei moderne Techniken des maschinellen Lernens eingesetzt werden, um die Risikovorhersage und Entscheidungsfindung zu verbessern. Erste Ergebnisse dieser verschiedenen modernen Modelle werden präsentiert.

Perioperative AI bei neurovaskulären Patienten֞

Die Erfolge der akuten Schlaganfallbehandlung basieren neben der raschen rekanalisierenden Therapie vor allem auf der Stroke Unit Behandlung. Ein wesentliches Ziel ist es, durch das systematische Monitoring der Patienten, Outcome-relevante Komplikationen nach Schlaganfall frühzeitig zu erkennen oder vorherzusagen und entsprechend möglichst präventiv zu therapieren.  
Die zunehmend zur Verfügung stehenden Data Warehouse Systeme ermöglichen die langfristige Speicherung der systematisch erhobenen Daten des Stroke Unit (Intensive Care Unit) Monitorings und deren Verbindung mit klinischen, bildgebenden und Labordaten. Auf Basis dieser Daten können mit Hilfe von Methoden der künstlichen Intelligenz Vorhersagemodelle entwickelt werden, die zunehmend klinische Entscheidungsprozesse unterstützen können. Anhand eigener Arbeiten zu pulmonalen und kardialen Komplikationen sowie einer Übersicht zu aktuellen Beispielen aus der Literatur wird der aktuell Stand und die Herausforderungen für die erfolgreiche Implementierung von klinischen Entscheidungshilfen beim akuten Schlaganfall dargelegt.

KI für den Verlauf bei  akutem ischämischem Schlaganfall

Herkömmliche prognostische Modelle zur Vorhersage von Vasospasmen beruhen auf dem klinischen Schweregrad und radiologischen Kriterien unmittelbar nach Aneurysmaruptur. Es werden neue, ML-basierte Algorithmen zur longitudinalen Vorhersage von «delayed cerebal ischemia» während des Krankheitsverlaufs vorgestellt.

KI für den Verlauf bei aneurysmatischer Subarachnoidalblutung֞

Dr. med.

Prof. Dr.

PD Dr.

Cortical Spreading Depolarization bei Patienten mit MoyaMoya Erkrankung

Translationale Neuro-Intensivmedizin

Freie Themen für Ärzte

Abstract-Text (inkl. Referenzen und Bildunterschriften) Fragestellung: Spreading Depolarization (SD) beschreibt eine neuronale und astrozytäre Massendepolarisationswelle mit schwerwiegenden Störungen der Ionen-Homöostase und verändertem lokalen zerebralem Blutfluss. SD wird im Zusammenhang mit sekundärem Läsionsfortschreiten nach Schädel-Hirn Trauma, hämorrhagischem Schlaganfall und zerebraler Ischämie beschrieben. Abgesehen von diesen akuten Erkrankungen treten SDs auch bei chronischen Pathologien wie der Migräne auf. Die Moyamoya-Krankheit (MMD) ist eine fortschreitende zerebrovaskuläre Erkrankung, die zu chronischer zerebraler Hypoperfusion und hämodynamisch unzureichender basaler Kollateralisierung führt. Zur Reduzierung des Schlaganfallrisikos wird bei diesen Patienten die zerebrale Revaskularisierung durch einen extra-intrakraniellen Bypass als Behandlungsmethode der Wahl angesehen. Eine Assoziation von MMD und SD wurde bisher nicht beschrieben. Methoden: Unter Verwendung intraoperativer Laser-Speckle-Bildgebung wurde die kortikale Perfusion bei fünf Revaskularisierungsoperationen bei vier konsekutiven MMD-Patienten (2021-2022) dargestellt und die zerebrovaskuläre Reservekapazität bestimmt. Die Messungen wurden vor- und nach extra-intrakranieller Bypass-Anlage durchgeführt. Ergebnisse: Die zerebrovaskuläre Reservekapazität erhöhte sich in allen Patienten nach Bypassanlage signifikant um 12.97±4.05% (p=0.0015). Im Rahmen dieser Messungen konnten bei einer Patientin vor der Bypassanlage drei spontane SDs beobachtet werden. Alle SDs waren dabei mit einer regionalen Hyperperfusion assoziiert. Interessanterweise wurde bei dieser Patientin zudem eine deutliche Zunahme der Kollateralgefäßbildung in den Monaten vor der Revaskularisierungsoperation dokumentiert. Schlussfolgerung: Mittels intraoperativer Laser-Speckle Perfusionsmessung konnte erstmalig eine spontane, intraoperative SD-Aktivität vor Bypass Anlage in MMD Patienten gezeigt werden. Zusammen mit der beobachteten zeitlichen Dynamik der Kollateralgefäßbildung bei MMD-bedingter chronischer zerebraler Hypoperfusion deutet dies darauf hin, dass SDs eine Rolle bei der Präkonditionierung und Vermittlung der endogenen Kollateralgefäßbildung spielen könnten.

Abstractvortrag

Plenum Festsaal

Wissenschaftliches Symposium

Automatische, KI-basierte Entscheidungshilfen in der Neurointensivmedizin 

Wissenschaftliches Symposium
Automatische, KI-basierte Entscheidungshilfen in der Neurointensivmedizin

Termin

Vorsitzende

Programm

Wissenschaftliches SymposiumAutomatische, KI-basierte Entscheidungshilfen in der Neurointensivmedizin

Termin

Vorsitzende

Programm

Wissenschaftliches Symposium
Automatische, KI-basierte Entscheidungshilfen in der Neurointensivmedizin