Vorhersage optimaler medizinischer Interventionen

Willkommen in der Welt der modernen Medizin. Computer-Vision-Tools können verdächtige Hautläsionen genau erkennen oder anhand von Scans eine Erkrankung der Herzkranzgefäße vorhersagen. Datengesteuerte Roboter steuern die minimalinvasive Chirurgie.

Maschinelles Lernen kann auf die Analyse genomischer und molekularer Daten von Patienten angewendet werden, um Krankheiten wie Alzheimer zu erkennen oder bei der Auswahl der besten Medikamente für einen Patienten zu helfen. Mithilfe von Deep-Learning-Methoden können Daten aus elektronischen Gesundheitsakten modelliert werden, um Gesundheitsergebnisse für Patienten vorherzusagen.

Ist es verwunderlich, dass der Einsatz von Werkzeugen der künstlichen Intelligenz (KI) im Gesundheitswesen als eine der bedeutendsten industriellen Revolutionen unserer Zeit beschrieben wird?

„Obwohl ich zustimme, dass KI-Tools im Gesundheitswesen eine bedeutende industrielle Revolution darstellen, glaube ich, dass noch ein beträchtlicher Weg vor uns liegt, bis KI die Kernaspekte der von Ärzten erbrachten Gesundheitsdienstleistungen wirklich revolutionieren kann“, sagt Daniel Zheng, außerordentlicher Professor für Operations Management an der Singapore Management University (SMU).

Das Forschungsteam entwickelte ein personalisiertes Entscheidungsunterstützungstool, das prädiktive Informationen nutzt, um bessere Entscheidungen über die Fortsetzung der medizinischen Behandlung auf Intensivstationen (ICU) zu treffen.

Konkret wurde in der Studie der optimale Punkt untersucht, an dem einem Patienten die mechanische Unterstützung der Atmung entzogen werden kann (Extubation). Die Methoden können auf den Abbruch anderer kritischer Behandlungen angewendet werden.

„Unsere Anwendung der prädiktiven Analyse für zukünftige Gesundheitszustände von Patienten ist nicht ganz neu. Ärzte integrieren ihre Vorhersagen schon lange in klinische Entscheidungen“, sagt Professor Zheng.

„Unser Ansatz zielt jedoch darauf ab, diesen Prozess zu formalisieren, indem maschinell generierte Vorhersagen in klinische Entscheidungsprotokolle integriert werden, um dadurch die Entscheidungsfindung zu verbessern und die Patientenergebnisse sowie die betriebliche Effizienz zu verbessern.“

Zukünftige Staaten

Die Flut an Patienten, die während der COVID-Pandemie eine Intensivpflege benötigten, machte deutlich, dass Intensivstationen ein Druckpunkt in Gesundheitssystemen sind, die bereits mit einer steigenden Nachfrage aufgrund einer alternden Bevölkerung, finanziellen Zwängen und einem Mangel an Fachpersonal konfrontiert sind.

Da die Intensivpflege sowohl für Patienten als auch für Krankenhäuser teuer ist und die Anzahl der Intensivbetten begrenzt ist, müssen diese Ressourcen so effizient wie möglich verwaltet werden.

Patienten dürfen nicht von einer Intensivstation entlassen werden, solange sie noch intubiert sind. Die Entscheidung zur Extubation ist für Patienten von entscheidender Bedeutung und die Zeit bis zur Extubation wird in der Regel als primäres Leistungsergebnis für die chirurgische Versorgung in Krankenhäusern angesehen.

„Wir haben Extubationsentscheidungen als unseren Schwerpunkt gewählt, da sie auf der Intensivstation, insbesondere nach Herzoperationen, von entscheidender Bedeutung sind“, sagt Professor Zheng. „Dieses Thema wurde ursprünglich von unseren kooperierenden Ärzten vorgeschlagen, die eine datengesteuerte Unterstützung für diese Entscheidungen suchten.“

Die bestehenden Protokolle zur Entscheidung über die Fortsetzung einer medizinischen Behandlung berücksichtigen nur aktuelle oder historische Details des Zustands des Patienten, ohne den wahrscheinlichen zukünftigen Zustand zu berücksichtigen.

Anhand eines umfassenden Krankenhausdatensatzes bewerteten die Forscher die Wirksamkeit verschiedener Richtlinien und zeigten, dass die Einbeziehung prädiktiver Informationen die Aufenthaltsdauer auf der Intensivstation um bis zu 3,4 Prozent und gleichzeitig die Extubationsversagensrate um bis zu 20,3 Prozent im Vergleich zum Optimum senken kann Politik, die keine Vorhersagen nutzt. Diese Vorteile sind für Patienten mit schlechten Ausgangsbedingungen bei der Aufnahme auf die Intensivstation von größerer Bedeutung.

„Unsere Analyse zeigt, dass, solange das Vorhersagemodell einigermaßen genau ist, seine Integration in Entscheidungsprotokolle von Vorteil ist, auch wenn Ärzte sich möglicherweise zu sehr darauf verlassen oder es falsch interpretieren“, sagt Professor Zheng.

Zusätzlicher Effekt

Die Forscher leiteten ihre empirischen Daten aus 5.566 Intensivaufnahmen auf der kardiothorakalen Intensivstation des National University Hospital in Singapur ab. Aufnahmedaten auf Patientenebene wie Alter, Geschlecht, Rasse und Zeitpunkt der Aufnahme wurden zusammengestellt und während des Aufenthalts auf der Intensivstation wurden umfassende physiologische Daten wie Körpertemperatur, Herzfrequenz und Blutdruck durch ein digitales Trackingsystem dokumentiert.

Ergebnisse von Labortests, Medikamente, Verfahren und Hinweise zur Pflege wurden ebenfalls in den Datensatz integriert. Und obwohl die Methode zur Bereinigung so vieler Rohdaten nicht neu war, sei sie „eine gründliche und kritische Methode“.

„Die Datenbereinigung war ein herausfordernder, aber entscheidender Prozess, der eine umfassende Zusammenarbeit mit Ärzten und Pflegekräften erforderte, um klinische Hinweise und Variablen zu verstehen“, sagt Professor Zheng.

Um ihre Risikovorhersagemodelle auf das Management auf der Intensivstation auszudehnen, verwendeten die Forscher den Rahmen der Uplift-Modellierung, einer prädiktiven Modellierungstechnik, die in der Datenanalyse und Betriebsforschung verwendet wird. Sie unterscheidet sich von der herkömmlichen Vorhersagemodellierung dadurch, dass sie sich auf die Änderung der Wahrscheinlichkeit konzentriert, die durch eine bestimmte Aktion oder Behandlung verursacht wird, und nicht nur auf die Vorhersage der Wahrscheinlichkeit des Ergebnisses selbst.

Vereinfacht ausgedrückt wird versucht, die Frage zu beantworten: Welche zusätzliche Wirkung hat diese Behandlung oder Intervention auf diese bestimmte Person oder Gruppe?

„Die Uplift-Modellierung, die die inkrementellen Auswirkungen einer fortgesetzten Beatmung vorhersagt, wurde als Eingabe für unser Extubationsentscheidungsmodell verwendet. Sie generiert Vorhersagen, schreibt aber nicht deren Anwendung vor. Hier kommt unser Modell ins Spiel und schlägt vor, wie diese Vorhersagen genutzt werden sollten.“ “ sagt Professor Zheng.

Die Integration fortschrittlicher mathematischer Modelle und Datenanalysen mit kritischen medizinischen Entscheidungen durch das Forschungsteam zeigt, dass ein interdisziplinärer Ansatz wertvolle Einblicke in tatsächliche Herausforderungen im Gesundheitswesen bieten kann.

Breitere Nutzung

„Vorhersagegestützte Entscheidungsfindung hat potenzielle Anwendungsmöglichkeiten bei verschiedenen klinischen und betrieblichen Entscheidungen im Gesundheitswesen“, sagt Professor Zheng.

„Unser Projekt hat beispielsweise Auswirkungen auf Dialyse- und Entlassungsentscheidungen auf der Intensivstation und zeigt die breite Anwendbarkeit der systematischen Nutzung neuer Vorhersagemodelle und Algorithmen.“

Was kommt also als nächstes für die Forscher? Könnte ihre Arbeit zur Extubation zu einem Produkt führen?

„Wir befinden uns im Vorstadium der Prüfung einer Partnerschaft mit einem Biotechnologieunternehmen, das auf zentralisierte Beatmungsmanagementlösungen spezialisiert ist“, sagt Professor Zheng.

„Ihre Produktpalette umfasst Hardware für die Datenerfassung, -verschlüsselung und -übertragung sowie eine Softwareplattform für die Datenvisualisierung und Patientenrisikoüberwachung.“

„Wir sehen eine potenzielle Chance, unser Modell in ihr bestehendes System zu integrieren, was die Risikoüberwachung von Beatmungsgeräten erheblich verbessern und den Prozess der Extubationsentscheidungen unterstützen könnte.“

„Diese Zusammenarbeit stellt einen vielversprechenden Schritt zur Überführung unserer Forschung von theoretischen Konstrukten hin zu praktischen, realen Anwendungen im medizinischen Umfeld dar“, sagt Professor Zheng.