Arbeitstagung Neurointensivmedizin 41. Jahrestagung der DGNI und DSG

Prof. Dr. med.

Maschinelles Lernen und künstliche Intelligenz spielen eine zunehmende Rolle im klinischen Alltag in der NeuroIntensiv Medizin. In diesem Symposium sollen die aktuellen Möglichkeiten aber auch Probleme mit den neuen Techniken in der digitalen Assistenz im klinischen Alltag beleuchtet werden. Es ist geplant dies aus der neurologischen, neurochirurgischen und neuroradiologischen Sicht zu beleuchten. Zum Abschluss soll ein Ausblick in die Zukunft gegeben werden, wie die neuen Techniken in der NeuroIntensiv Medizin integriert werden können und welchen Problemen wir gegenüberstehen.

Maschinelles Lernen, KI und Digitale Assistenz in der Neurologie

Dr. med.

Vortrag

Maschinelles Lernen, KI und Digitale Assistenz in der Neurochirurgie

PD Dr.

Maschinelles Lernen, KI und Digitale Assistenz in der NeuroIntensiv Medizin – ein Ausblick in die Zukunft

Prof. Dr.

Professor

Nicht-invasive Bestimmung des intrakraniellen Drucks durch Deep-Learning bei intensivmedizinischen Patienten

Translationale Neuro-Intensivmedizin

Bewusstseinsstörungen

Abstract-Text (inkl. Referenzen und Bildunterschriften) Hintergrund: Maschinelles Lernen hat bereits vielversprechende Möglichkeiten zur Vorhersage kritischer intrakraniellen Druckphasen (ICP) bei Intensivpatienten gezeigt. Diese Modelle beruhten auf dem Vorhandensein einer invasiven ICP-Messung. Im nächsten Schritt soll mittels Deep Learning der ICP basierend auf regelmäßig erhobenen, nicht-invasiven Routinedaten zuverlässig prognostiziert werden könnte. Methodik: In dieser Studie haben wir moderne Deep-Learning-Methoden verwendet, um den aktuellen ICP aus routinemäßig gesammelten intensivmedizinischen Überwachungsdaten zu ermitteln. Analysiert wurden zwei repräsentative Datensätze: Unsere institutionelle Kohorte (ICP-ICU) mit 1.346 Patienten und der öffentlich verfügbare ICU-Datensatz von MIMIC mit 998 Patienten. Beide Kohorten wurden mittels invasiver ICP-Messungen intensivmedizinisch behandelt. Die Modelle für die nicht-invasive Abschätzung des ICP wurden anhand von 357.695 Stunden invasiver ICP-Werte trainiert (243.143h ICP-ICU und 132.552h MIMIC). Ergebnisse: Bei der Identifikation von kritischen intrakraniellen Phasen (&gt;22mmHg) zum aktuellen Zeitpunkt erreichten die Modelle AUC-ROC-Werte von 82,10 ± 0,56 (ICP-ICU) und 82,68 ± 0,22 (MIMIC). Das Modell für die Abschätzung des nicht-Invasiven ICPs war in der Lage bei allen Patienten den ICP mit einer sehr hohen Spezifität (97-98 in Abhängigkeit der Diagnose) zu bestimmen und insbesondere den kritischen ICP &gt; 22mmHg mit einer hohen Accuracy (91-95 in Abhängigkeit des Diagnose) zu diskriminieren. Der Mittlere Absolute Fehler (MAE) betrug 4,69 ± 0,05 mmHg für MIMIC und 4,95 mmHg ± 0,05 für ICP-ICU. Schlussfolgerung: Die Studie zeigt das Potenzial von Deep Learning in der nicht-invasiven ICP-Überwachung. Die zuverlässigen Vorhersagen basieren auf regelmäßig gesammelten klinischen Routinedaten, dies könnte den Grundstein für eine erweiterte klinische Anwendung und eine erhöhte Patientensicherheit legen.

Abstractvortrag

Plenum Festsaal

Wissenschaftliches Symposium

Maschinelles Lernen, KI und Digitale Assistenz in der NeuroIntensiv Medizin

Wissenschaftliches Symposium
Maschinelles Lernen, KI und Digitale Assistenz in der NeuroIntensiv Medizin

Termin

Vorsitzende

Beschreibung

Programm

Wissenschaftliches SymposiumMaschinelles Lernen, KI und Digitale Assistenz in der NeuroIntensiv Medizin

Termin

Vorsitzende

Beschreibung

Programm

Wissenschaftliches Symposium
Maschinelles Lernen, KI und Digitale Assistenz in der NeuroIntensiv Medizin