Maschinelles Lernen

Kreislaufversagen auf Intensivstation vorhersagen

Mit der Methode des maschinellen Lernens haben Wissenschaftler in der Schweiz Daten von 36.000 Aufenthalten auf Intensiv analysiert. 20 Messgrößen haben für sie jetzt einen besonderen Stellenwert.

Veröffentlicht: 10.03.2020, 16:18 Uhr
Kreislaufversagen auf Intensivstation vorhersagen

Auf Intensiv. Frühe Hinweise auf ein mögliches Kreislaufversagen könnten die Arbeit erleichtern.

© K-H Krauskopf, Wuppertal

Zürich. Forscher in der Schweiz haben eine Methode entwickelt, mit der Kreislaufversagen von Patienten auf der Intensivstation mehrere Stunden vor dem Eintreten mit hoher Zuverlässigkeit vorhergesagt werden kann.

Dem Ansatz liegt die Auswertung umfangreicher Patientendaten mit Methoden des maschinellen Lernens zugrunde, wie die ETH Zürich mitteilt (Nature Medicine 2020, online 9. März; doi: 10.1038/s41591-020-0789-4).

Für die Arbeit standen den Forschern der ETH Zürich und des Inselspitals, Universitätsspital Bern, pro Patient mehrere Hundert unterschiedliche Messgrößen und medizinische Informationen zur Verfügung.

Insgesamt wurden Daten von 36.000 Aufenthalten auf der Intensivstation mit Methoden des maschinellen Lernens analysiert. Die Daten wurden an der Universitätsklinik für Intensivmedizin des Inselspitals erhoben.

90 Prozent aller Zwischenfälle vorhergesagt

„Wir konnten zeigen, dass bereits 20 Messgrößen für eine genaue Vorhersage ausreichen. Dazu gehören unter anderem Blutdruck, Puls, verschiedene Blutwerte, das Alter sowie die verabreichten Medikamente“, wird Karsten Borgwardt, Professor für Data Mining an der ETH Zürich, in der Mitteilung der ETH zitiert.

„Die so entwickelten Algorithmen und Modelle konnten im genutzten Datensatz 90 Prozent aller Kreislaufversagen vorhersagen. In 82 Prozent aller Fälle erfolgte die Vorhersage mindestens zwei Stunden im Voraus, womit den Ärzten Zeit für eine Intervention geblieben wäre“, so Gunnar Rätsch, Professor für Biomedizininformatik an der ETH Zürich, in der Mitteilung.

Zahl der Alarme auf Intensiv soll reduziert werden

Ziel sei es, in Zukunft mit der Methode die Vitalwerte im Spital in Echtzeit auszuwerten und das behandelnde Personal vorzuwarnen, resümiert die ETH Zürich in ihrer Mitteilung. Dieses könne somit früh geeignete Maßnahmen einleiten. Auch soll die Vielzahl an Alarmen auf Intensivstationen auf wenige, dafür hochrelevante und frühzeitige Alarme reduziert werden.

Dies sei möglich, wie auch die Studie ergeben habe, so die ETH Zürich. Mit der neuen Methode liesse sich die Anzahl der Alarme auf einen Zehntel reduzieren.

Um die Qualität der Vorhersagen weiter zu verbessern, planen die Forscher, Patientendaten weiterer grosser Spitäler in künftige Analysen einzubeziehen. Und: Damit die Methode als Frühwarnsystem eingesetzt werden kann, ist weitere Entwicklungsarbeit nötig.

Ein erster Prototyp existiert nach Angaben von Rätsch bereits. Dessen Verlässlichkeit muss nun in klinischen Studien nachgewiesen werden. (eb)

Mehr zum Thema

VOYAGER-PAD-Studie

Rivaroxaban/ASS-Kombi bei PAVK wirksamer als ASS alleine

Kommentare

Sie müssen angemeldet sein, um einen Kommentar verfassen zu können.
Die Newsletter der Ärzte Zeitung

Lesen Sie alles wichtige aus den Bereichen Medizin, Gesundheitspolitik und Praxis und Wirtschaft.

NEU als Themen abonnierbar: Frauengesundheit und Kindergesundheit

Newsletter bestellen »

Vorteile des Logins

Über unser kostenloses Login erhalten Ärzte, Medizinstudenten, MFA und weitere Personengruppen viele Vorteile.

Die Anmeldung ist mit wenigen Klicks erledigt.

Jetzt anmelden / registrieren »

Top-Meldungen
Parkhausdeck flugs zur Corona-Praxis umfunktioniert

Kreativität in Zeiten der SARS-CoV-2-Pandemie

Parkhausdeck flugs zur Corona-Praxis umfunktioniert

Was wir jetzt zu COVID-19 erforschen müssen

„CoronaUpdate“-Podcast

Was wir jetzt zu COVID-19 erforschen müssen

Diese Website verwendet Cookies. Weitere Informationen zu Cookies und und insbesondere dazu, wie Sie deren Verwendung widersprechen können, finden Sie in unseren Datenschutzhinweisen.  Verstanden