Health-IT

Vorhang auf für das digitale Sepsis-Konsil

Foto: © Andrey Popov - Fotolia

11.12.18 · 

Unsere Leser sind nach Lesen des Beitrags zu 83.33%

Künstliche Intelligenz wird therapeutisch: Ein „AI Clinician“ könnte Intensivmediziner bald in Echtzeit bei der Flüssigkeits- und Katecholamintherapie assistieren.

 

Algorithmen, die Maschinenlernen oder andere Formen der künstlichen Intelligenz (KI) nutzen, werden bisher vor allem in diagnostischen Szenarien eingesetzt. Bei der Auswertung von Röntgenbildern, bei der Interpretation von Koloskopiebefunden, bei der Gewebediagnostik in der Pathologie und bei der Herzrhythmusanalyse erreichen solche oft auf neuronalen Netzen und Deep Learning Ansätzen basierende KI-Systeme eine zumindest teilweise beeindruckende diagnostische Genauigkeit.

 

Vor expliziten Therapieempfehlungen schreckte die medizinische KI-Branche bisher dagegen oft zurück, zumindest jene Segmente der Branche, in denen nicht mit klassischen, rein regelbasierten Entscheidungsunterstützungssystemen gearbeitet wird. Jetzt aber haben Intensivmediziner und KI-Experten des Imperial College in London die Schranken ein Stück weit eingerissen. In einer in der Zeitschrift Nature Medicine publizierten Arbeit beschreiben sie ein von ihnen „AI Clinician“ genanntes KI-System, das auf Basis intensivmedizinischer Überwachungsdaten bei Patienten mit Sepsis konkrete Empfehlungen zu Flüssigkeits- und Katecholamintherapie gibt.

 

Auch suboptimale Therapien machen den Algorithmus schlauer

Ziel des Ganzen ist es, die Sterblichkeit bei Sepsis-Patienten zu verringern. Sepsis ist nach wie vor die wichtigste Todesursache in Krankenhäusern und eine der drei häufigsten Todesursachen weltweit. Es gibt – abgesehen von eher allgemeinen Leitlinien – bisher keine Tools, die es Ärzten erlauben würden, die Behandlung patientenindividuell zu optimieren – vor allem, weil vieles ziemlich unklar ist. Insbesondere die beiden intensivmedizinischen Kernmaßnahmen, die i.v. Flüssigkeitstherapie und die Behandlung mit Katecholaminen, würden auf Intensivstationen extrem unterschiedlich gehandhabt, so die Autoren um den Anästhesisten und KI-Experten Matthieu Komorowski. Das ist wahrscheinlich ein Grund, warum sich die Sterblichkeit bei Sepsis-Patienten in Krankenhäusern teilweise stark unterscheidet.

 

Komorowski hat deswegen einen Algorithmus entwickelt, der Intensivmediziner in Echtzeit bei diesen beiden Behandlungen berät. Genutzt wurde kein konventionelles Deep Learning, sondern ein komplexerer Ansatz mit starkem Fokus auf bestärkendes Lernen („reinforcement learning“) unter Einsatz von Markov-Modellen. Dabei stürzte sich der Algorithmus auf nicht-annotierte Real-World-Daten aus der Intensivmedizin und entwickelte mit dem Ziel „Todesfälle vermeiden“ verschiedene therapeutische Strategien, die dann an weiteren Datensätzen validiert wurden. Zu den Stärken dieses Ansatzes gehört, dass es quasi eine Art Erfahrungslernen ist, bei dem auch suboptimal verlaufene Therapien zum Lernerfolg beitragen. „Die Zahl an Patienten, von denen der ‚AI Clinician‘ Wissen extrahiert, übersteigt die Lebenszeiterfahrung eines klinischen Arztes um ein Vielfaches“, so die Autoren.

 

Knapp 100000 Patienten und 48 Variablen

Für die Modellentwicklung durch den Algorithmus haben die Briten 48 Variablen definiert, die aus elektronischen Akten und Überwachungssystemen automatisch extrahiert werden können. Das Zeitfenster waren jeweils 72 Stunden um den geschätzten Zeitpunkt des Sepsis-Beginns herum. Anhand von gut 60000 Patienten hat der Algorithmus in einer ersten Runde insgesamt 500 therapeutische Modelle mit unterschiedlichen Vorgehensweisen bei der Flüssigkeits- und Katecholaminapplikation entwickelt. Diese wurden in einer zweiten Runde anhand von rund 16000 Patienten evaluiert, bis jenes Modell identifiziert war, das die höchste Patientensicherheit brachte.

 

In einer dritten Runde wurde dieses Modell schließlich auf einen Testdatensatz von rund 17000 Sepsis-Patienten angewandt. Dabei ging es um die Frage, wie jene Patienten abschnitten, bei denen sich die behandelnden Ärzte so verhalten hatten, wie das Modell es als am besten geeignete Strategie vorschlug. Und hier zeigte sich, dass die Sterblichkeit bei diesen Patienten tatsächlich deutlich geringer war als bei jenen Patienten, bei denen sich die Kliniker „nicht modellkonform“ verhalten hatten. Dabei war die Mortalität umso geringer, je näher die Ärzte mit der Dosierung von i.v.-Flüssigkeit und Katecholaminen den Algorithmus-Empfehlungen kamen. Die Unterschiede in der Mortalität in Abhängigkeit von der gewählten Dosis erreichten teilweise den Faktor drei bis vier.

 

Ein Blick in die Black Box ist möglich

Komorowski und Kollegen gelang es auch, Analysen durchzuführen, die deutlich machten, von welchen Parametern der Algorithmus seine Empfehlungen in erster Linie abhängig machte. Bei der Flüssigkeitstherapie waren das unter anderem mittlerer arterieller Blutdruck, Sauerstoffpartialdruck, Schockindex sowie Chlorid, Calcium und INR. Bei der Katecholamintherapie waren es vor allem Schockindex, Blutdruck, Kreatinin, Laktat und Kohlendioxidpartialdruck. Kliniker, die von den Algorithmusempfehlungen abwichen, gaben in vielen Fällen weniger Katecholamine und oft mehr Flüssigkeit als der Algorithmus empfohlen hätte.

 

Die Studie ist noch kein Beweis dafür, dass der trainierte Algorithmus das Outcome von Sepsis-Patienten wirklich verbessert. Dazu bräuchte es eine prospektive Studie, die ähnlich wie bei intensivmedizinischen Telemedizinstudien zum Beispiel clusterrandomisiert sein könnte. Die Autoren betonen, dass das bestärkende Lernen sich prinzipiell auch auf andere klinische Situationen anwenden lasse, in denen ärztliche Entscheidungen stark datenabhängig sind und in denen die entsprechenden Daten elektronisch zur Verfügung stehen.

 

Philipp Grätzel, Chefredakteur E-HEALTH-COM

 

Weitere Informationen:

Komorowski M et al. The Artificial Intelligence Clinician learns optimal treatment strategies for sepsis in intensive care. Nature Medicine 2018. www.nature.com/articles/s41591-018-0213-5 


Die etwas andere Befragung: Wie ist Ihr Gemütszustand, nachdem Sie diesen Beitrag gelesen haben?
Übermittlung Ihrer Stimme...