Arbeitstagung Neurointensivmedizin 41. Jahrestagung der DGNI und DSG

Prof. Dr. med.

In diesem Vortrag sollen neue Entwicklungen im Bereich der invasiven/nicht-invasiven ICP bzw. CPP-Überwachung dargestellt werden. Außerdem soll der Fokus auf Mustern der ICP-Kurven und möglicher Prädiktion durch Algorithmen liegen.

Überwachung der cerebralen Perfusion – ICP und CPP

Vortrag

In diesem Vortrag soll die anhand „big data“ bettseitig individualisierte CPP-Therapie durch autoregulatorische Indizes beleuchtet werden. Ist diese schon klinisch etabliert/anwendbar, was sind die Möglichkeiten/Limitationen?

Überwachung der cerebralen Autoregulation – CPPopt und PRx

In diesem Vortrag geht es um aus der kontinuierlichen Temperaturüberwachung ableitbare prognostische Abschätzungen sowie die durch Mikrodialyse generierbare und in das Gesamtmonitoring integrierbare Daten. Neue Konzepte und Anwendbarkeit stehen im Vordergrund.

Überwachung des cerebralen Stoffwechsels – Mikrodialyse und Temperatur

Prof. Dr.

In diesem Vortrag werden Vorteile und Möglichkeiten der nicht-invasiven EEG und v.a. der invasiven ECOG-Überwachung dargestellt. Fokus liegt zum einen in der Prädiktion durch das Erkennen von Mustern wie CSDs, zum anderen aber auch auf der damit assoziierten möglichen Therapie sowie neuen und vereinfachten Messmethoden/verfahren. 

Überwachung der cerebralen Aktivität – EEG und ECOG

PD Dr.

PD Dr. med.

Dr. med.

Entwicklung und Testen eines Machine Learning-Modells zur Prädiktion klinisch-apparenter Schlaganfall-assoziierter Pneumonie

Notfall- und Intensivtherapie des schweren Hirninfarkts

Wirkung von Pflege und Therapie in der Neuro-Intensivmedizin

Abstract-Text (inkl. Referenzen und Bildunterschriften) Fragestellung: Die Schlaganfall-assoziierte Pneumonie (SAP) ist mit einer schlechteren Prognose (von Patienten mit Schlaganfall) assoziiert. [NC1] Die Prävention oder frühzeitige Therapie einer SAP könnte dementsprechend die Prognose verbessern. Diese Studie untersuchte deshalb, ob durch Verwertung umfangreicher klinischer Daten im Rahmen eines Data Warehouses und Nutzung von maschinellem Lernen (ML) das Auftreten einer SAP präziser vorhergesagt werden kann. [NC2] Methoden: Das hier angewendete ML-Modell nutzt sowohl klinische und Laborparameter als auch Überwachungsdaten wie Herzfrequenz (HR), Herzfrequenzvariabilität (HRV) und Blutdruck (BP), die in den ersten 48 Stunden nach Aufnahme in die Stroke Unit aufgezeichnet wurden. Mittels logistischer Regression wurde ein Klassifikationsmodell trainiert und validiert und wiederholt an Daten außerhalb der Stichprobe getestet (Nested-Cross-Validation). Für jede Wiederholung wurde das trainierte Model bei einem Sensitivitäts-Schwellenwert von 0.9 fixiert, an den Testdaten außerhalb der Stichprobe evaluiert und mit einem validierten klinischen Score (A2DS2) verglichen. Ergebnisse: Wir identifizierten 1686 Patienten, die zwischen Oktober 2020 und Juni 2023 auf zwei Schlaganfallstationen der Charité behandelt wurden. SAP wurde bei 88/1686 (5,2%) diagnostiziert. Die zirkadianen Profile der HR-, HRV- und BP-Metriken während der ersten 48 Stunden nach der Aufnahme wiesen signifikante Unterschiede zwischen Patienten mit und ohne SAP-Diagnose auf. Wir erhielten eine AU-ROC von 0,92 (CI 0,90-0,95) für das ML-Modell auf den Testdaten im Vergleich zu einer AU-ROC von 0,85 (CI 0,79-0,93) für den A2DS2-Score. Alter, Schwere des Schlaganfalls bei Aufnahme, CRP, Leukozytenzahl, HR, diastolischer Blutdruck und HF, sowie LF/HF der HRV-Metriken wurden als informativste[NC3] ML-Merkmale identifiziert. Schlussfolgerungen: Eine automatisierte, Data-Warehouse-basierte Vorhersage von klinisch-apparenter SAP ist zeitnah und mit hoher Güte auf der Schlaganfallstation machbar. Sie könnte für die frühzeitige Identifizierung von Hochrisikopatienten oder ein prophylaktisches Pneumoniemanagement in der klinischen Routine nützlich sein. Abb.1: Performanz des trainierten ML-Modells. A, die Receiver-Operating-Curves für die Out-of-Sample-Testdaten zeigen einen Leistungsgewinn des ML-Modells im Vergleich zum A2DS2-Benchmark. B, Sensitivität und Spezifität.

Wissenschaftliches Symposium
Big data auf der Neuro-Intensivstation – Aktuelles zum Neuromonitoring

Termin

Vorsitzende

Programm

Wissenschaftliches SymposiumBig data auf der Neuro-Intensivstation – Aktuelles zum Neuromonitoring

Termin

Vorsitzende

Programm

Wissenschaftliches Symposium
Big data auf der Neuro-Intensivstation – Aktuelles zum Neuromonitoring