key: cord-0055499-sr7ivak9
authors: Schweingruber, N.; Gerloff, C.
title: Künstliche Intelligenz in der Neurointensivmedizin
date: 2021-01-24
journal: Nervenarzt
DOI: 10.1007/s00115-020-01050-4
sha: 351a91ce4e7cad4830b7d3828bb4616e60485d4a
doc_id: 55499
cord_uid: sr7ivak9

Artificial intelligence (AI) has been introduced into medicine and an AI-assisted medicine will be the future that we should help to shape. In particular, supervised, unsupervised, and reinforcement learning will be the main methods to play a role in the implementation of AI. Severely ill patients admitted to the intensive care unit (ICU) are closely monitored in order to be able to quickly respond to any changes. These monitoring data can be used to train AI models to predict critical phases in advance, making an earlier reaction possible. To achieve this a large amount of clinical data are needed in order to train models and an external validation on independent cohorts should take place. Prospective studies with treatment of patients admitted to the ICU with AI assistance should show that they provide a benefit for patients. We present the most important resources from de-identified (anonymized) patient data on open-source use for AI research in intensive care medicine. The focus is on neurological diseases in the ICU, therefore, we provide an overview of existing models for prediction of outcome, vasospasms, intracranial pressure and levels of consciousness. To introduce the advantages of AI in the clinical routine, more AI-based models with larger datasets will be needed. To achieve this international cooperation is absolutely necessary. Clinical centers associated with universities are needed to provide a constant validation of applied models as these models can change during use or a bias can develop during the training. A strong commitment to AI research is important for Germany, not only with respect to academic achievements but also in the light of a rapidly growing influence of AI on the economy.

gisch [28] , histopathologisch [20] oder sonographisch [29] ) zu analysieren und mit einer Annotation (z. B. Befunde der Bilder) zu trainieren. Klinische Einsätze sind hier z. B. das direkte Erkennen von Blutungen auf einer computertomographischen Abbildung des Kopfes [3] oder bildmorphologischer Faktoren im Sinne einer Expansion einer zerebralen Blutung [36] und die Einordnung histopathologischer (Schnellschnitt-)Präparate z. B. bei der Klassifikation von Hirntumoren während einer neurochirurgischen Operation zur weiteren Entscheidungsfindung der Operateure und damit zu einer intraoperativen Konsequenz in Echtzeit [20] . Weiter zeigt sich ein Vorteil bei der automatisierten Analyse echokardiographischer Aufnahmen zur Detektion pathologischer Befunde [29] .

Das unsupervidierte maschinelle Lernen (. Abb. 1b) dient dazu, große multidimensionale Datensätze lesbar zu machen. Diese Methoden nehmen die Daten, vergleichen die Abstände der Datenpunkte zueinander in einem mathematischen multidimensionalen Raum und erstellen auf Basis der Abstände ei-ne zweidimensionale neue Abbildung. Diese Methodik findet bereits eine breite Anwendung im Bereich der Grundlagenforschung, z. B. beim Vergleich genetischer Befunde gesunder und kranker Populationen. Hierbei werden hochdimensionale Gensequenzanalysen und deren Expressionsprofile genutzt, um sich ähnelnde Cluster innerhalb der Population zu finden [55] . Ebenfalls dient sie dazu, Muster aus hochfrequenten Zeitseriendaten zu analysieren und diese dann als erneuten Input für weiteres supervidiertes Lernen oder bestärkendes Lernen zu nutzen [2, 26] . CT Computertomographie, EEG Elektroenzephalographie, EKG Elektrokardiographie, MRT Magnetresonanztomographie dient. In einem simulativen Setting testet der Agent seine Entscheidung in Bezug auf die Umgebung ("environment"). Das Ergebnis ("target"/Outcome) wird durch Strategieanpassung optimiert. Diese Algorithmen sind z. B. in derLage, bekannte Onlinespiele zu trainieren und komplexe Spielzüge so zu optimieren, dass sie annähernd unschlagbar werden [52] .

Bestärkendes Lernen ist eine Methode, die noch wenig auf therapeutische Maßnahmen der Medizin angewendet wird. EinvielversprechenderAnsatzzeigte durch das "reinforcement learning" eine potenzielle Verbesserung der Sepsistherapie, durch die Optimierung der individuellen Volumen-und Katecholamintherapie [26] .

Das Potenzial dieser Technologie kann jedoch erst dann wirklich genutzt werden, wenn mehr klinische Daten zentral gespeichert werden und auch mitunter live zur Verfügung stehen. Die Interoperabilität der Daten ist dafür entscheidend, also die Möglichkeit, Daten aus verschiedenen klinischen Informationssystemen kompatibel zu machen, um sie zentral in anonymisierter Form abzuspeichern und für KI-basierte Analysen zur Verfügung zu stellen.

Die damit zwingend verbundene Diskussion über ethische und datenschutzrechtliche Grenzen muss geführt werden. Dem hohen Gut, dass durch diese Technologie Behandlungen verbessert werden können, stehen derzeit zum einen technologische Limitationen gegenüber (v. a. der geringe Digitalisierungsgrad deutscher Krankenhäuser), zum anderen rechtliche Einschränkungen, so z. B. die Frage, ab wann Daten wirklich als vollständig anonymisiert ("double deidentified") gelten und damit auch mit einiger krimineller Energie nicht auf individuelle Patienten zurückbezogen werden können. Weiter ergibt sich dadurch auch ein Automatisierungsprozess mit nicht zu unterschätzenden strukturellen Veränderungen und Veränderungen der Arbeitsweise im Krankenhaus.

Hervorzuheben ist, dass es nach unserem jetzigen Verständnis in der Medizin, im Gegensatz zum autonomen Autofahren, nicht um eine autonome Behandlung geht. Vielmehr handelt es sich um eine KI-assistierte Optimierung der Therapie, mit dem Ziel der Fehlerreduktion durch individuell ausgewertete und aufbereitete Daten [51] . Durch effektive KI-Assistenzsysteme könnten Kliniker zeitlich entlastet werden, um dadurch mehr Zeit für die direkte Betreuung der Patienten zu gewinnen. Prospektive Studien, die zeigen, dass eine klinische Assistenz mittels KI einen Vorteil für den Patienten oder das behandelnde Team bringen, sind aktuell noch kaum vorhanden und sollten frühzeitig in den Mittelpunkt der klinischen KI-Forschung gestellt werden.

Die Integration von KI in das klinischambulante oder prästationäre Setting kann den Behandlungsansatz von Patienten beeinflussen. Insbesondere Menschen mit einem Risikoprofil oder chronisch kranke Patienten werden in der Lage sein, mittels Smart-Devices ihren Gesundheitszustand im Alltag besser beurteilen zu können. Anhand einer frühzeitigen Detektion von Risikoparametern kann auf potenzielle Notfälle besser reagiert werden (. Abb. 2).

Meist besteht bei Schlaganfallpatienten ein erhöhtes vaskuläres Risikoprofil. Eine automatisierte Erkennung von z. B. Vorhofflimmern mittels Smartwatch kann Patienten mit einem erhöhten Risiko für zerebrovaskuläre Erkrankungen frühzeitig identifizieren [37] . Auch über die Analyse der Retina [39] noch asymptomatischer Patienten kann eine Vorhersage für das Risiko eines akut zerebralen Ereignisses getroffen werden. Eine App ermöglicht es dem Patienten, sein persönliches Schlaganfallrisiko zu ermitteln [27] . Diese bietet basierend auf den Ergebnissen prophylaktische Ansätze, um die Inzidenz von Schlaganfällen zu verringern. Ein weiterer Ansatz wäre auch, milde Schlaganfallsymptome wie eine verwaschene Sprache [14] oder auch eine faziale Asymmetrie KI-assistiert zu detektieren [16] .

Insbesondere in ihrer Mobilität eingeschränkte Patienten können von der automatisierten Detektion von Stürzen profitieren [7, 30] oder auch von der automatisierten Detektion von Unfällen in einer städtischen Umgebung mittels Smartphone [5] .

Ein weiteres Anwendungsbeispiel: Ein Patient, der in die Notaufnahme einer Klinik kommt, wird durch eine automatisierte Triage, welche zuvor Muster von über 230.000 Patienten mit entsprechenden Symptomen einer Verdachtsdiagnose gelernt hat, beurteilt. Auf Grundlage dessen soll die Schwere der akuten Erkrankung [22] und auch eine nötige stationäre Aufnahme vorhergesagt werden [21] . In unserem Beispiel des Schlaganfallpatienten kann die KI-basierte Empfehlung zur schnellen Bildgebung und auch die Ermittlung von Parametern für eine weiterführende Versorgung therapiebeeinflussend sein. Hier reicht das Spektrum von der automatisierten Detektion intrakranieller Blutungen [4, 49] , der Berechnung des Alberta Stroke Programme Early CT Scores (ASPECTS; [33] ) bis hin zur direkten Detektion von Schlaganfällen [12] . Eine Verlegung von intubierten oder postinterventionellen Patienten auf die neurologische Intensivstation bietet weitere Möglichkeiten des Einsatzes maschinellen Lernens. 

Abstract Artificial intelligence (AI) has been introduced into medicine and an AI-assisted medicine will be the future that we should help to shape. In particular, supervised, unsupervised, and reinforcement learning will be the main methods to play a role in the implementation of AI. Severely ill patients admitted to the intensive care unit (ICU) are closely monitored in order to be able to quickly respond to any changes. These monitoring data can be used to train AI models to predict critical phases in advance, making an earlier reaction possible. To achieve this a large amount of clinical data are needed in order to train models and an external validation on independent cohorts should take place. Prospective studies with treatment of patients admitted to the ICU with AI assistance should show that they provide a benefit for patients. We present the most important resources from deidentified (anonymized) patient data on open-source use for AI research in intensive care medicine. The focus is on neurological diseases in the ICU, therefore, we provide an overview of existing models for prediction of outcome, vasospasms, intracranial pressure and levels of consciousness. To introduce the advantages of AI in the clinical routine, more AI-based models with larger datasets will be needed. To achieve this international cooperation is absolutely necessary. Clinical centers associated with universities are needed to provide a constant validation of applied models as these models can change during use or a bias can develop during the training. A strong commitment to AI research is important for Germany, not only with respect to academic achievements but also in the light of a rapidly growing influence of AI on the economy.

Neurology · Machine learning · Stroke · Coma · Sedation 

Patienten mit einer subarachnoidalen Blutung (SAB) können verzögerte Schlaganfälle entwickeln, welche sich maßgeblich auf das Outcome auswirken [11, 31, 45] . Das Auftreten von Schlaganfällen kann mit der Entwicklung von Vasospasmen zusammenhängen. Neben der endovaskulären und chirurgischen Akutintervention ist die vorherige Bildgebung entscheidend. Native Computertomographien (CT) des Kopfes können durch schnelle Auswertung mit "deep learning" zur Erkennung von Blutungen und Frakturen dienen. Dies wurde anhand der Analyse von 313.318 nativen Kopf-CTs gezeigt. SABs konnten neben anderen Pathologien mit einer AUC-ROC von 0,90 klassifiziert werden [9] . Auf der Intensivstation werden neben neurologischen Untersuchungen, invasivem Monitoring und auch regelmäßig transkranielle Dopplersonographien (TCD) durchgeführt. Maschinelles Lernen wurde hier benutzt, um mit diesen Parametern das Outcome (GOS-E) und die modifizierte Rankin-Skala (mRS) 6 Monate nach einer SAB vorherzusagen. Es konnte mittels "decision tree" und logistischer Regression eine AUC-ROC von 0,86 (2 Kohorten: n = 411 und n = 193; [50] ) und mittels "random forrest" eine "accuracy" von 84,4 % erreicht werden [42] .

Eine weitere Studie mit 333 Patienten zeigte mittels "random forrest" eine AUC-ROC von 0,91. Verschiedene Laborparameter und auch bildmorpho-logische Blutungsattribute konnten hier einen Einfluss auf die Verbesserung der Klassifizierung zeigen [53] . Weitere Bildgebungsmodalitäten wie die Perfusions-CT, die Magnetresonanztomographie (MRT) oder die digitale Subtraktionsangiographie (DSA) werden zur Verlaufskontrolle bei SAB-Patienten angewendet. Die 3-D-Rekonstruktion der Gefäße aus dem Datensatz der DSA von 25 SAB-Patienten am 1. und 7. Tag wurden verwendet, um das Modell basierend auf dem k-mean-Clustering zu trainieren. Dieses konnte mit einer AUC-ROC von 0,93 Vasospasmen vorhersagen [6] .

Darüber hinaus wurde maschinelles Lernen angewandt, um den Einfluss meteorologischer Faktoren auf die Auftretenswahrscheinlichkeit einer SAB zu modellieren [47] . Ein signifikantes Ergebnis konnte die Studie nicht zeigen.

Blutungen, Traumata und Schlaganfälle können eine Erhöhung des intrakraniellen Druckes verursachen und ein invasives Hirndruckmonitoring mittels Drucksonde (ICP-Sonde) oder externer Ventrikeldrainage (EVD) notwendig machen. Ebenfalls können entlastende operative Maßnahmen entscheidend für das neurologische Outcome sein. Langanhaltende hypertone Krisen sollten vermieden werden.

Im Allgemeinen wird angenommen, dass durch eine tiefe Sedierung der zerebrale Stoffwechsel heruntergefahren werden kann. Infusionen einer kolloidalen oder hypertonen Kochsalzlösung können kurzfristig dem Gewebe Wasser entziehen, um ebenfalls dem Hirndruck entgegenzuwirken. Die Studienlage zur Sedierung und auch zu onkotisch wirksamen Therapien ist gering und zeigt mitunter keine Verbesserung des Outcomes [1] . Entsprechend der Genese verhält sich die Dynamik des Hirndruckes: Patienten mit intrazerebralen Blutungen entwickeln verzögert ein Ödem, welches sich über 3 Wochen manifestieren kann [1] . [23, 34, 35] .

Auch höhere Frequenzen können mit neuronalen Netzen und Autoencodern klassifiziert werden (400-Hz-Abtastrate, n = 60; [40] ). Bei diesen wellenförmigen Daten besteht das Problem, dass aufgrund der Menge nicht alle Daten gleichzeitig genutzt werden können und es sich meistens um kleine Patientenkohortenhandelt. Daherberuhteinweiterer Ansatz auf der Präprozessierung hochfrequenter Daten und der Extraktion von Kurvencharakteristika, welche zum Training der Modelle genutzt werden. Hier werden mit einer weiteren Methode zur Klassifizierung, des "boosted decision tree", eine AUC-ROC von über 0,93 erreicht, um eine hypertensive Phase in den nächsten 30 min vorherzusagen (n = 37, Monocenterstudie, keine externe Validierung; [19, 46] [17, 18] 264 TBI (extern: 120 Erwachsene, 79 Kinder)

Logistische Regression "Gaussian process models" (AUC-RPC 0,87) AUC "area under the curve", EEG Elektroenzephalographie, eICU Electronic Intensive Care Unit, HiRID "high time-resolution ICU dataset", MIMIC Medical Information Mart for Intensive ROC "reciever-operater curve" TBI "traumatic brain injury" gelegt. Im nächsten Schritt müssen wir die technischen und rechtlichen Voraussetzungen schaffen, um die bisher erhobenen und zukünftigen Daten für die KI-Forschung nutzbar zu machen. Forschungsinitiativen einiger Kliniken können nur eine Übergangslösung für eine zukünftige nationale Forschungsplattform sein. Während der SARS-CoV-2("severe acute respiratory syndrome coronavirus type 2")-Pandemie haben wir gelernt, dass wir in Deutschland die meisten Intensivbetten pro Einwohner weltweit haben. Wenn wir eine nationale Forschungsplattform hätten, in der die Behandlungsinformationen anonymisiert zur Verfügung stünden, hätten wir in Deutschland die wichtigste Ressource für KI-Forschung in der Intensivmedizin weltweit. Diese Ressource ist wichtig für die Zukunft der KI-Forschung in Deutschland und auch für den Wirtschaftsstandort Deutschland.

Dies muss in den internationalen Wettbewerb mit den USA und China gestellt werden. Beide Länder stellen schon seit einigen Jahren medizinische Daten anonymisiert der KI-Forschung zur Verfügung (s. oben). Die internationale KI-Forschungsgemeinschaft lebt von einem "Open-source"-Gedanken. Daher wird es nötig sein, bestehende internationale Plattformen wie z. B. PhysioNet.org zu nutzen. So könnten noch besser generalisierende Modelle trainiert werden und ein Daten-Bias während des Trai-nings von Modellen so gut es geht zu minimieren.

Für ein "Decision-support"-Tool, welches auf einem KI-Modell basiert, müssen bestehende Gesetze für die Zulassungen von Medizinprodukten geändert werden. Durch die gelernte Information bei laufender Nutzung kann sich das zugrunde liegende Modell für zukünftige Behandlungsempfehlungen ändern. Neue Standards oder Behandlungsansätze in der Therapie müssen in den laufenden Betrieb solcher Software eingepflegt/ erlernt werden. Kommerziell angebotene Software muss vor der Anwendung überprüft werden, ob die Vorhersagen sinnvoll sind. Wir sehen hier insbesondere die universitäre Medizin und die universitäre KI-Forschung in der Verantwortung, solche Software zu evaluieren und zu überwachen. Daher ist es neben der

NICE clinical guideline sets out recommendations for NHS care of people who have suffered a head injury

TimeCluster: dimension reduction applied to temporal data for visual analytics

Advanced machine learning in action: identification of intracranial hemorrhage on computed tomography scans of the head with clinical workflow integration

Advanced machine learning in action: identification of intracranial hemorrhage on computed tomography scans of the head with clinical workflow integration

A novel internet of things-enabled accident detection and reporting system for smart city environments

Representation learning of 3D brain angiograms, an application for cerebral vasospasm prediction

Automatic fall detection system based on the combined use of a smartphone and a smartwatch

Intracranial pressure level prediction in traumatic brain injury by extracting features from multiple sources and using machine learning methods

Deep learning algorithms for detection of critical findings in head CT scans: a retrospective study

Detection of brain activation in unresponsive patients with acute brain injury

Impact of dexamethasone in patients with aneurysmal subarachnoid haemorrhage

Deep learning IoT system for online stroke detection in skull computed tomography images

A guide to deep learning in healthcare

An m-health application for cerebral stroke detection and monitoring using cloud services

components of a new research resource for complex physiologic signals

Toward an automatic system for computer-aided assessment in facial palsy

Novel methods to predict increased intracranial pressure during intensive care and long-term neurologic outcomeaftertraumaticbraininjury:development and validation in a multicenter dataset

Early detection of increased intracranial pressure episodes in traumatic brain injury: External validation in an adult and in a pediatric cohort

Forecasting intracranial pressure elevation using pulse waveform morphology

Near real-time intraoperative brain tumor diagnosis usingstimulatedRamanhistologyanddeepneural networks

Predicting hospital admission at emergency department triage using machine learning

Creating an automated trigger for sepsis clinical decision support at emergency department triage using machine learning

Forecasting intracranial hypertension using multiscale waveform metrics

Machine learning for early prediction of circulatory failure in the intensive care unit

MIMIC-III, a freely accessible critical care database

The artificial intelligence clinician learns optimal treatment strategies for sepsis in intensive care

Mobile technology for primary stroke prevention: a proof-of-concept pilot randomized controlled trial

Deep learning at chest radiography: automated classification of pulmonary tuberculosis by using convolutional neural networks

Deep echocardiography: data-efficient supervised and semi-supervised deep learning towards automated diagnosis of cardiac disease

SmartFall: A smartwatch-based fall detection system using deep learning

Immune characterization in aneurysmal subarachnoid hemorrhage reveals distinct monocytic activation and chemokine patterns

Predicting intracranial pressure and brain tissue oxygen crises in patients with severe traumatic brain injury

) e-ASPECTS software is non-inferior to neuroradiologists in applying the ASPECT score to computed tomography scans of acute ischemic stroke patients

Toward learning intracranial hypertension through physiological features: a statistical and machine learning approach

A PCA based feature reduction in intracranial hypertension analysis

Outcome prediction of acute Intracranial hemorrhage based on computed tomography: comparison of conventional semantic assessments and albacked evaluation of high-end image features. Röfo Fortschr Gebiet Röntgenstrahlen Bildgeb Verfahr

Largescale assessment of a smartwatch to identify atrial fibrillation

The eICU Collaborative Research Database, a freely available multi-center database for critical care research

Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning

Detection of Intracranial hypertension using deep learning

Machine learning-based dynamic mortality prediction after traumatic brain injury

Prediction of outcome after aneurysmal subarachnoid haemorrhage using data from patient admission

Design and implementation of a machine learning based EEG processor for accurate estimation of depth of anesthesia

MultiparameterIntelligentMonitoringinIntensive Care II (MIMIC-II): a public-access intensive care unit database

Early clinical course after aneurysmal subarachnoid hemorrhage: comparison of patients treated with Woven EndoBridge, microsurgical clipping, or endovascular coiling

Intracranial hypertension prediction using extremely randomized decision trees

Meteorological factors for subarachnoid hemorrhage in the greater Düsseldorf area revisited: a machine learning approach to predict the probability of admission of patients with subarachnoid hemorrhage

Automated tracking of level of consciousness and delirium in critical illness using deep learning

Automated deep-neural-network surveillance of cranial images for acute neurologic events

Predictingtheoutcomeofpatientswithsubarachnoid hemorrhage using machine learning techniques

High-performance medicine: the convergence of human and artificial intelligence

Grandmaster level in StarCraft II using multi-agent reinforcement learning

Automatic machine-learning-based outcome prediction in patients with primary intracerebral hemorrhage

Machine learning for the prediction of volume responsiveness in patients with oliguric acute kidney injury in critical care

Predictive big data analytics using the UK Biobank data

Early prediction of acute kidney injury following ICU admission using a multivariate panel of physiological measurements