Arbeitstagung Neurointensivmedizin 41. Jahrestagung der DGNI und DSG

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

Notfall- und Intensivtherapie des schweren Hirninfarkts

Big data auf der Neuro-Intensivstation – Aktuelles zum Neuromonitoring

Abstractvortrag

Wirkung von Pflege und Therapie in der Neuro-Intensivmedizin

Plenum Festsaal

Automatische, KI-basierte Entscheidungshilfen in der Neurointensivmedizin 

Wissenschaftliches Symposium

Übersicht über verfügbare Systeme (Zb. 4-Kanal-EEG Module, CerebAIR, Ceribell, BIS), Einsatz bei Therapie des Status epilepticus, Narkosetiefe, Burst Suppression Narkose), diagnostische Limitationen und Fallstricke

EEG-Monitoring Systeme auf der neurologischen Intensivstation

Bankettsaal

Nicht-invasive Methoden zur Diagnostik und zum Monitoring in der neurologischen Akut- und Intensivmedizin – wo stehen wir hier?

Vortrag

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

PD Dr. med.

PD Dr. med. Franziska Scheibe

Chair

Speaker

Further involvements