Dr. med. Nils Schweingruber (Hamburg / DE), Anton Wiehe (Hamburg / DE), Jan Bremer (Hamburg / DE), Dr. med. Jennifer Göttsche (Hamburg / DE), PD Dr. Marlene Fischer (Hamburg / DE), Prof. Dr. Stefan Kluge (Hamburg / DE), PD Dr. Jörn Grensemann (Hamburg / DE), Prof. Dr. Jens Gempt (Hamburg / DE), Dr. med. Marius Marc-Daniel Mader (Hamburg / DE), Professor Stefan Wermter (Hamburg / DE), Prof. Dr. Götz Thomalla (Hamburg / DE), Prof. Dr. med. Patrick Czorlich (Hamburg / DE)
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 (>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 > 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.