KI-gestützte Anästhesie

An KI (Künstliche Intelligenz) wird oft in Verbindung mit Unterhaltung, Robotern und Hollywood-Blockbustern um 1991 gedacht. Allerdings haben Bereiche wie Gesundheitswesen, Einzelhandel, Sport, Linguistik und andere erheblich von der Einführung von KI profitiert. Und derzeit findet die KI-Softwareentwicklung in immer mehr Branchen aller Formen und Größen statt. Bevor wir uns mit der Anwendung im Gesundheitswesen und insbesondere in der Anästhesiologie befassen, wollen wir die künstliche Intelligenz definieren.

Was ist KI?

Künstliche Intelligenz (eng. Artificial Intelligence) besteht im Wesentlichen aus Algorithmen, die Maschinen „die Fähigkeit verleihen, Funktionen wie Problemlösung, Objekt- und Worterkennung, Rückschlüsse auf Weltzustände und Entscheidungsfindung zu begründen und auszuführen“.

Die Existenz künstlicher Intelligenz und die anhaltenden rasanten Entwicklungen, die wir auf diesem Gebiet erleben, sind die Folgen eines sogenannten „Bing Bang“ aus drei Faktoren:

  • Die Verfügbarkeit großer Datensätze
  • Die Verbesserung der Hardware, die jetzt große Verarbeitungsaufgaben gleichzeitig ausführen kann
  • Eine neue Welle von Architekturen und Algorithmen für künstliche Intelligenz

Das Ergebnis davon ist künstliche Intelligenz, die in mehreren Branchen für verschiedene Zwecke eingesetzt werden kann.

Wie wird KI im Gesundheitswesen eingesetzt ?

Das Gesundheitswesen setzt KI in verschiedenen medizinischen Bereichen ein, von der Diagnostik bis zur Therapie. Oft hilft KI in Situationen, in denen Angehörige der Gesundheitsberufe mit ihrer Diagnose nicht einverstanden sind. Zum Beispiel bei der eigentlichen Bilderkennung: Lungentuberkulose auf Röntgenaufnahmen des Brustkorbs erkennen oder Lungenentzündung diagnostizieren. Zu letzterem können Sie sich eine Fallstudie von Elinext ansehen: Unsere Entwickler haben kürzlich ein Tool entwickelt, das Lungenröntgenbilder analysiert und Anzeichen einer Lungenentzündung mithilfe von Techniken des maschinellen Lernens und der künstlichen Intelligenz identifiziert.

2018 haben die USA Die Food and Drug Administration genehmigte das erste Softwaresystem, das künstliche Intelligenz zur Diagnose diabetischer Retinopathie einsetzt, und eine Reihe von Studien haben gezeigt, dass KI bei der Klassifizierung verdächtiger Hautläsionen besser ist als Dermatologen. Seit fast einem Jahrzehnt wird KI in großem Umfang bei Interventionen im Bereich der psychischen Gesundheit und der Schmerzbehandlung eingesetzt.

KI spielt auch eine wichtige Rolle bei der Erforschung und Bewertung neuer Medikamente. Vor relativ kurzer Zeit wurde KI verwendet, um vorhandene Medikamente zu screenen, die bei der Behandlung von Ebola hilfreich sein könnten. Ohne die KI-Ansätze hätte die Bearbeitung der überwältigenden Zahl vorhandener Medikamente Jahre gedauert.

Während dies nicht alle (nicht einmal der Anfang) der riesigen Menge an KI-Anwendungen im Gesundheitswesen sind, werden wir jetzt weitermachen und über die Anwendungen von KI in der Anästhesiologie sprechen. Die Anästhesiologie ist ein Teilgebiet der Medizin, das sich auf die Linderung von Schmerzen vor, während oder nach einem chirurgischen Eingriff konzentriert. Und in diesem Bereich kann künstliche Intelligenz viel bewirken.

KI kann die Praxis der Anästhesiologie während der perioperativen Unterstützung, der Intensivpflege und der ambulanten Schmerzbehandlung beeinflussen. Grundsätzlich kann KI in jedem Schritt des Prozesses eingesetzt werden. Eine aktuelle Metaanalyse vom Februar 2020 leitete sechs globale Anwendungen künstlicher Intelligenz in der Anästhesiologie ab. Sie sind:

  • Überwachung der Anästhesietiefe
  • Kontrolle der Anästhesieabgabe
  • Ereignis- und Risikovorhersage
  • Ultraschallführung
  • Schmerztherapie
  • OP-Logistik

Lassen Sie uns ausführlicher über alle sechs dieser Anwendungen sprechen:

Überwachung der Anästhesietiefe

Die Anästhesietiefe ist der Grad, in dem das Zentralnervensystem durch ein Anästhetikum unterdrückt wird. Die Narkosetiefe kann in vier möglichen Zuständen (Wach-, Leicht-, Allgemein- oder Tiefennarkose) erfolgen und hängt vom Narkosemittel selbst und seiner Konzentration während der Anwendung ab. Ärzte überwachen die Tiefe der Anästhesie, um ein Anästhesiebewusstsein zu verhindern, d. h. wenn ein Patient auf Ereignisse während der Operation aufmerksam wird. Für einen Patienten kann dies Schmerzen, Atembeschwerden, ein posttraumatisches Stresssyndrom und andere schwerwiegende Probleme verursachen. Das Anästhesiebewusstsein ist ein zu wenig behandeltes Problem, da es aufgrund all der Medikamente, die normalerweise an dem Verfahren beteiligt sind, schwer zu bemerken und zu erkennen ist.

KI wird verwendet, um das Verständnis der Tiefe der Anästhesieüberwachung während der Operation zu verbessern. Normalerweise wird die Sedierungstiefe anhand des Bispektralindex (BIS)-Index oder durch Messung der zerebralen elektrischen Aktivität über ein Elektroenzephalogramm (EEG) berechnet. Dies ist perfekt für die Anwendung von KI, da in der KI verwendete Ansätze des maschinellen Lernens komplexe Datenströme wie EEG-Signale analysieren sollen. In mehreren Studien war die Genauigkeit der maschinellen Lernmethode zur Analyse direkter Merkmale aus Elektroenzephalographiesignalen höher als die Genauigkeit des BIS-Index. Andere Studien zeigten die Überlegenheit der Merkmale der KI-analysierten Elektroenzephalographie im Vergleich zum Reaktionsentropieindex bei der Klassifizierung von wachen gegenüber anästhesierten Patienten. Der Algorithmus zeigte eine Genauigkeit von 92,91 % im Vergleich zum Response-Entropie-Index, der eine Genauigkeit von 77,5 % aufwies.

Kontrolle der Anästhesieabgabe

Zu Beginn der medizinischen Anästhesie wurde die Entbindung anhand verschiedener klinischer Anzeichen und Messungen, wie z. B. des Blutdrucks, kontrolliert. Dann verbreitete sich die Verwendung des BIS-Index weiter, und die Forscher wandten sich dem maschinellen Lernen zu, um eine Anästhesiekontrolle mit BIS als Zielmaß zu erreichen. Dieselben Steuersysteme werden auch verwendet, um die Lieferung einer neuromuskulären Blockade zu automatisieren. Darüber hinaus werden sie auch zur Vorhersage der Arzneimittelpharmakokinetik (Zeitverlauf der Arzneimittelabsorption, -verteilung, -metabolisierung und -ausscheidung) verwendet, um die Kontrolle von Infusionen von Paralytikamittel weiter zu verbessern.

In Bezug auf die Steuerung der Anästhesieabgabe haben einige Studien auch den Einsatz von KI beschrieben, um eine Steuerung der mechanischen Beatmung zu erreichen und die Entwöhnung von der mechanischen Beatmung zu automatisieren.

Ereignis- und Risikovorhersage

Verschiedene KI-Ansätze werden häufig verwendet, um Risiken und Ereignisse vorherzusagen, die während der perioperativen Versorgung auftreten können. Beispielsweise wurden neuronale Netze verwendet, um die hypnotische Wirkung einer Induktionsbolusdosis von Propofol, die Rückkehr des Bewusstseins nach Vollnarkose, die Erholungsrate von der neuromuskulären Blockade und Hypotonie-Episoden nach der Induktion oder während der Spinalanästhesie vorherzusagen. Andere maschinelle Lernansätze wurden getestet, um die präoperative Schärfe der Sinneswahrnehmungen des Patienten automatisch zu klassifizieren, schwierige Laryngoskopie-Befunde zu definieren, langsame und schwierige Atmung während der bewussten Sedierung zu identifizieren und bei der Entscheidungsfindung für die optimale Anästhesiemethode während der Beschneidung zu helfen. Eine Studie aus dem Jahr 2018 erstellte ein Modell, das Hypotonie bis zu 15 Minuten vor ihrem Auftreten vorhersagen konnte. Verschiedene andere Studien verwendeten maschinelle Lernmodelle, um Morbidität, klinische Verschlechterung, Mortalität oder Wiederaufnahme vorherzusagen und sogar Sepsis zu erkennen.

Ultraschallführung

Neuronale Netze sind das am häufigsten eingesetzte Verfahren zur Erzielung einer Ultraschallbildklassifizierung. Studien zeigen, dass Deep Learning die Genauigkeit der Bilder stark verbessert.

Schmerztherapie

Wenn es um die Schmerzbehandlung geht, wird KI in vielen verschiedenen Aspekten eingesetzt. Erstens kann die maschinelle Lernanalyse ganzer Gehirnscans Schmerzen genauer identifizieren als die Analyse einzelner Gehirnregionen. Zweitens kann KI die richtige Opioiddosierung abschätzen und Patienten identifizieren, die von einer präoperativen Beratung durch den Akutschmerzdienst eines Krankenhauses profitieren könnten. Bei dem Versuch, objektivere Biomarker für Schmerzen zu identifizieren, verwendeten die Forscher maschinelles Lernen, um Elektroenzephalographie-Signale zu analysieren. Sie versuchten, Patienten vorherzusagen, die auf eine Opioidtherapie bei akuten Schmerzen ansprechen würden, die Ergebnisse waren jedoch nicht übermäßig vielversprechend – die Methode zeigte nur eine Genauigkeit von 65 %.

OP-Logistik

Abgesehen von schwierigen Begriffen, Methoden und Prozessen braucht es manchmal einfach eine bessere Logistik, um bessere Ergebnisse zu erzielen. KI analysiert verschiedene Faktoren, wie die Planung der OP-Zeit oder die Verfolgung von Bewegungen und Handlungen von Anästhesisten, um die OP-Logistik zu optimieren. In einer Studie wurden KI-Ansätze verwendet, um die Bettennutzung für Patienten zu optimieren, die sich einer Augenoperation unterziehen. Eine andere Studie analysierte Radiofrequenz-Identifikations-Tags, um den Standort, die Ausrichtung und die Haltung von Anästhesisten im Operationssaal zu bestimmen. Der Forscher verwendete Mannequins, aber in Zukunft können ähnliche Tracking-Anwendungen mit echten Patienten verwendet werden, um besser zu verstehen, wie sich die Interaktion von Anästhesisten mit den verschiedenen Geräten im Raum auf die Sicherheit der Patienten auswirkt.

Wo liegen die Grenzen des Einsatzes von KI in der Anästhesiologie?

Forscher warnen davor, dass der Hype und die Faszination, die KI umgibt, zu unrealistischen Erwartungen führen und schließlich Kliniker und Patienten enttäuschen können. Sie erinnern uns daran, dass die Möglichkeiten der KI begrenzt sind und nicht immer zu Klassifizierungen oder Vorhersagen führen, die traditionellen Methoden überlegen sind. KI sollte wie jedes andere Werkzeug in der richtigen Situation eingesetzt werden, um ein bestimmtes Problem zu lösen.

Ein weiterer häufiger Kritikpunkt ist, dass KI-Methoden oft intransparent sind, was zu „Black Box“-Ergebnissen führt: Ein Algorithmus kann eine Vorhersage treffen, aber nicht erklären, warum eine solche Vorhersage getroffen wurde. Kliniker und Forscher erwarten von dieser Technologie in Zukunft mehr Transparenz.

Ein weiteres Problem ist, dass KI-Methoden zwar Korrelationen aufzeigen und Muster leicht erkennen, aber kausale Zusammenhänge noch nicht bestimmen können. Die gute alte Regel „Korrelation bedeutet nicht Kausalität“, die jeder Wissenschaftler rund um die Uhr im Kopf behält, gilt auch für künstliche Intelligenz.

Der nächste Punkt, der bei der Einführung von künstlicher Intelligenz in medizinische Produkte zu berücksichtigen ist, sind ernsthafte Sicherheitsfragen. Es ist notwendig, eine Bewertung der Sicherheit des KI-Systems durchzuführen, um sicherzustellen, dass das System keine Gefahr für die Klinik, den Arzt oder den Patienten darstellt.

Schließlich sind Algorithmen der künstlichen Intelligenz genau wie Menschen anfällig für Vorurteile. Das Gesundheitssystem ist voller impliziter und expliziter Vorurteile, die sich auf die groß angelegte Implementierung von Big Data auswirken können. Sie alle können die Arten von Vorhersagen beeinflussen, die Al auf der Grundlage dieser Daten trifft.

Fazit

Viele KI-Anwendungen für die Anästhesiologie werden derzeit in klinischen Umgebungen getestet. Wir müssen noch mehr darüber herausfinden, wie sie funktionieren und welche Einschränkungen und Vorteile sie haben. Genau wie die KI-Technologien selbst werden wir mehr lernen, je mehr Daten verfügbar werden. Noch mehr KI-Technologien werden noch entwickelt und noch mehr Big-Data-Implementierungen finden statt. Derzeit weisen viele KI-Softwareentwicklungen erhebliche Verbesserungen gegenüber bestehenden Methoden auf, sodass wir mit großer Hoffnung und Spannung auf zukünftige Ergebnisse blicken.

Kontakt
Kontakt