KI: Risiken nach der OP personalisiert vorhersagen

Egal, ob es sich bei einer Operation um Routine handelt oder um einen individualisierten, bisher einmaligen Eingriff: Ein Restrisiko gibt es immer. Krankenhäuser müssen Patienten deshalb nach der OP gut überwachen und im Notfall schnell eingreifen. Wenn sich aber Komplikationen in Zukunft vorhersagen ließen, könnten Risikopatienten besser überwacht werden.

Im Interview mit MEDICA.de spricht Prof. Bettina Jungwirth über den Einsatz von Künstlicher Intelligenz (KI) in der Intensivmedizin und Anästhesie und darüber, wie Patienten und Krankenhäuser davon profitieren können.

Frau Prof. Jungwirth, Sie beschäftigen sich mit dem Einsatz von KI in der Anästhesie. Wie könnte der aussehen?

Prof. Bettina Jungwirth: Ziel von KI in Anästhesie und Intensivmedizin ist es, die sehr großen Datenmengen zu nutzen, um mit einer personalisierten perioperativen Therapie das Outcome der Patienten nachhaltig zu verbessern. Dafür ist eine individualisierte Risikoprädiktion essentiell, was schon in einigen Studien eingesetzt wurde, um zum Beispiel erfolgreich die postoperative Übelkeit oder eine Verschlechterung des Patienten im Aufwachraum vorherzusagen oder um sein Delir-Risiko zu ermitteln.

Die Anästhesie per se ist sehr sicher geworden und damit sind anästhesieassoziierte Komplikationen heute selten geworden. Umso mehr fokussieren wir uns auf die postoperative Zeit und mögliche Komplikationen nach der Operation. Diese sollen mit Risikomodellen frühzeitig erkannt und vermieden werden.

Welche Art von Daten würden Sie dazu nutzen?

Jungwirth: In der Anästhesie zeichnen wir zum Beispiel Vitalparameter, wie Blutdruck, Herzfrequenz oder Sauerstoffsättigung, aber auch Beatmungsparameter und Laborparameter auf. Das können aber auch Prozessparameter sein: Wie kommt ein Patient ins Krankenhaus, welchen Weg nimmt er hier? Das können ebenso Bildgebung und Daten über gegebene Medikation und Volumina sein.

Die Daten sind also sehr mannigfaltig. Umso wichtiger ist es – das ist essenziell – sie zu strukturieren, damit eine KI-Methode sie am Ende auch auswerten kann.

Gibt es bestimmte Daten, die auf ein erhöhtes Komplikationsrisiko hinweisen?

Jungwirth: Wir betrachten in gängigen Scores bereits Parameter wie Vorerkrankungen, Alter des Patienten oder welche Eingriffe er bekommt. Ich denke aber, das ist nicht umfassend genug, um das individuelle Risiko möglichst akkurat vorherzusagen. Für eine genaue Prädiktion des Risikos sollten wir viel mehr Aussagen nutzen, die wir routinemäßig erheben, zum Beispiel Labor-, Vitalparameter sowie Prozessdaten.

Was wäre der Nutzen am Ende?

Jungwirth: Das Ziel ist am Ende immer eine Risikoprädiktion und, basierend darauf, die Prävention durch eine individualisierte, maßgeschneiderte Therapie. Dafür fehlt zurzeit noch die Evidenz aus wissenschaftlichen Studien. Wir gehen aber zum jetzigen Zeitpunkt davon aus, dass wir es mit einer individualisierten Therapie entweder schaffen, Komplikationen ganz zu vermeiden oder zumindest aufgrund der Prädiktion abzuschätzen, welcher Patient eine bessere Überwachung nach der OP benötigt.

Wir haben uns in Zeiten der SARS-CoV-2-Pandemie intensiv mit der Kapazität von Intensivbetten beschäftigt. Mit KI-basierten Risikomodellen könnten wir uns nicht nur mit der Vorhersage von postoperativen Komplikationen beschäftigen, sondern auch Patienten auf den Stationen betrachten und fragen: Haben sie wirklich ein relevantes Risiko, dass sie auf die Intensivstation müssen? Wenn ja, wie lange müssen sie dort liegen? Krankenhäuser haben in den vergangenen Monaten bewusst Operationen verschoben, die wahrscheinlich einen Intensivaufenthalt nach sich gezogen hätten, um Betten für COVID-Patienten freizuhalten. KI-Methoden gäben den Krankenhäusern und Stationen eine höhere Planungssicherheit.

Planen Sie, in Ulm KI-Methoden zu implementieren?

Jungwirth: Definitiv. Wir bauen aktuell die grundlegende IT-Infrastruktur auf, die wir für die Erhebung strukturierter, elektronischer Daten benötigen. Es handelt sich um ein PDMS, ein Patientendaten-Management-System. Das ist ein elektronisches Narkose- und Intensivprotokoll, das alle Daten automatisiert in einer Form erfasst, wie wir sie für KI-Methoden benötigen.

Während meiner Zeit an der TU München habe ich bereits die KI Forschung initiiert. Heute haben wir mit der TU München eine Kooperation, von der auch das Forschungsteam an der Universitätsklinik Ulm profitiert. Wir haben in München eine große Datenbank von anästhesiologischen, perioperativen Daten aufgebaut. Diese zeigt die Situation von Patienten vor, während und nach der Narkose auf, bis hin zur Intensivstation. Wir entwickeln gerade mit diesen Daten unsere prädiktiven Modelle, also die Risikokalkulatoren für Komplikationen oder einen Intensivaufenthalt. Dann wollen wir in multizentrischen Studien, zusammen mit anderen Kliniken, feststellen, ob unsere Modelle die Behandlungsergebnisse verbessern.

Welche Bedingungen müssen Ihrer Meinung nach erfüllt werden, damit KI-Methoden in der Anästhesie genutzt werden können?

Jungwirth: Das größte Problem ist wirklich die Datenqualität. Daten müssen sauber und für eine Maschine lesbar erfasst sein. Wir wissen aber, dass 70 bis 80 Prozent der medizinischen Daten unstrukturiert sind. Diese Daten fehlen uns für KI-Methoden. Der klassische Freitext ist also fatal.

Wenn wir multizentrische Studien durchführen oder Daten zwischen unterschiedlichen Kliniken, auch weltweit, austauschen wollen, müssen wir eine einheitliche Sprache sprechen. Diese Daten könnten dann schließlich auch in große Datenbanken einfließen. Das ist eine wesentliche Voraussetzung dafür, dass wir KI-Methoden auch so einsetzen können, wie wir sie einsetzen wollen.