Potenzial von KI für die Behandlung des akuten Lungenversagens (ARDS)

KI-Lösungen können die klinische Arbeit auf der Intensivstation unterstützen, indem sie alle relevanten Daten verarbeiten und analysieren, um somit eine frühe Diagnose zu erleichtern, klinische Leitlinien einzuhalten und sogar eine Prognose für den Verlauf der Intensivstation zu erstellen. Dieser Beitrag zeigt am Beispiel des akuten Lungenversagens (ARDS), was bereits jetzt möglich ist und worin weitere Herausforderungen in diesem Feld der digitalen Medizin liegen.

Abstract

Acute respiratory distress syndrome (ARDS) is still associated with high mortality rates and poses a significant, vital threat to ICU patients because this syndrome is often detected too late (or not at all), and timely therapy and the fastest possible elimination of the underlying causes thus fail to materialize. Artificial Intelligence (AI) solutions can enable clinicians to make every minute in the ICU work for the patient by processing and analyzing all relevant data, thus supporting early diagnosis, adhering to clinical guidelines, and even providing a prognosis for the course of the ICU. This article shows what is already possible and where further challenges lie in this field of digital medicine.

Kernaussagen

• Eine respiratorische Insuffizienz ist eine Entität, die auf einer Intensivstation mit am häufigsten vorkommt und aufgrund der heterogenen Differenzialdiagnostik enorm hoher Aufmerksamkeit und Entscheidungsfreudigkeit bedarf.

• Das akute Lungenversagen (ARDS) ist nach wie vor ein vital bedrohliches Syndrom mit hohen Sterblichkeitsraten.

• Viele intensivmedizinische Krankheitsbilder, u. a. auch das ARDS, sind zeitkritisch, und KI-Analysen können helfen, die Diagnose zeitnah zu stellen und die Evolution der Erkrankung zu verstehen.

• Nicht nur für die Diagnose, sondern auch für weitere Abschnitte der Behandlung (z. B. Risikoabschätzung, Therapiesteuerung) kann KI innerhalb der Patient Journey möglicherweise unterstützend eingesetzt werden.

• Die Nutzung für KI-Auswertungen erfordert eine Abstimmung von Standards und Schnittstellen, um Daten interoperabel und möglicherweise auch standortübergreifend austauschbar zu machen; hier sind hohe regulatorische Anforderungen zu erfüllen.

• Ein Teilaspekt der intensivmedizinischen Patientenversorgung ist die Zusammenstellung internationaler digitaler Netzwerke, um KI-unterstütztes Decision Making zu ermöglichen.

Schlüsselwörter

akutes Lungenversagen - Künstliche Intelligenz - KI - klinische Entscheidungsunterstützung - ARDS - digitale Medizin - Outcome

Keywords

ARDS - acute respiratory distress syndrome - artificial intelligence - machine learning - clinical decision support - digital medicine - outcome

Publication History

Article published online:
08 January 2024

• Literatur

• 1 Phua J, Badia JR, Adhikari NKJ. et al. Has mortality from acute respiratory distress syndrome decreased over time? A systematic review. Am J Respir Crit Care Med 2009; 179: 220-227 DOI: 10.1164/rccm.200805-722OC. (PMID: 19011152)
• 2 Bellani G, Laffey JG, Pham T. LUNG SAFE Investigators, ESICM Trials Group. et al. Epidemiology, Patterns of Care, and Mortality for Patients With Acute Respiratory Distress Syndrome in Intensive Care Units in 50 Countries. JAMA 2016; 315: 788-800 DOI: 10.1001/jama.2016.0291. (PMID: 26903337)
• 3 Ranieri VM, Rubenfeld GD, Thompson BT. ARDS Definition Task Force. et al. Acute respiratory distress syndrome: the Berlin definition. JAMA 2012; 307: 2526-2533 DOI: 10.1001/jama.2012.5669. (PMID: 22797452)
• 4 Yang P, Wu T, Yu M. et al. A new method for identifying the acute respiratory distress syndrome disease based on noninvasive physiological parameters. PLoS One 2020; 15: e0226962 DOI: 10.1371/journal.pone.0226962. (PMID: 32023257)
• 5 Reamaroon N, Sjoding MW, Lin K. et al. Accounting for Label Uncertainty in Machine Learning for Detection of Acute Respiratory Distress Syndrome. IEEE J Biomed Health Inform 2019; 23: 407-415 DOI: 10.1109/JBHI.2018.2810820. (PMID: 29994592)
• 6 Chen Y, Wang Y, Zhang Y. et al. A Quantitative and Radiomics approach to monitoring ARDS in COVID-19 patients based on chest CT: a retrospective cohort study. Int J Med Sci 2020; 17: 1773-1782 DOI: 10.7150/ijms.48432. (PMID: 32714080)
• 7 Sabeti E, Drews J, Reamaroon N. et al. Learning Using Partially Available Privileged Information and Label Uncertainty: Application in Detection of Acute Respiratory Distress Syndrome. IEEE J Biomed Health Inform 2021; 25: 784-796 DOI: 10.1109/JBHI.2020.3008601. (PMID: 32750956)
• 8 Deutsche Gesellschaft für Anästhesiologie & Intensivmedizin. et al. S3-Leitlinie Invasive Beatmung und Einsatz extrakorporaler Verfahren bei akuter respiratorischer Insuffizienz. AWMF Leitlinien-Register Nr. 001–021. 1. Aufl. (in Überarbeitung) Accessed October 12, 2023 at: https://register.awmf.org/de/leitlinien/detail/001–021
• 9 Richard JC, Marque S, Gros A. et al. Feasibility and safety of ultra-low tidal volume ventilation without extracorporeal circulation in moderately severe and severe ARDS patients. Intensive Care Med 2019; 45: 1590-1598 DOI: 10.1007/s00134-019-05776-x. (PMID: 31549225)
• 10 Terragni PP, Rosboch G, Tealdi A. et al. Tidal hyperinflation during low tidal volume ventilation in acute respiratory distress syndrome. Am J Respir Crit Care Med 2007; 175: 160-166 DOI: 10.1164/rccm.200607-915OC. (PMID: 17038660)
• 11 Gattinoni L, Chiumello D, Caironi P. et al. COVID-19 pneumonia: different respiratory treatments for different phenotypes?. Intensive Care Med 2020; 46: 1099-1102 DOI: 10.1007/s00134-020-06033-2. (PMID: 32291463)
• 12 Hezarjaribi N, Dutta R, Xing T. et al. Monitoring Lung Mechanics during Mechanical Ventilation using Machine Learning Algorithms. Annu Int Conf IEEE Eng Med Biol Soc 2018; 2018: 1160-1163 DOI: 10.1109/EMBC.2018.8512483. (PMID: 30440597)
• 13 Hagan R, Gillan CJ, Spence I. et al. Comparing regression and neural network techniques for personalized predictive analytics to promote lung protective ventilation in Intensive Care Units. Comput Biol Med 2020; 126: 104030 DOI: 10.1016/j.compbiomed.2020.104030. (PMID: 33068808)
• 14 Peine A, Hallawa A, Bickenbach J. et al. Development and validation of a reinforcement learning algorithm to dynamically optimize mechanical ventilation in critical care. NPJ Digit Med 2021; 4: 32 DOI: 10.1038/s41746-021-00388-6. (PMID: 33608661)
• 15 Villar J, Ambros A, Soler JA. et al. Age, paO2/FIO2, and Plateau Pressure Score: a proposal for a simple outcome score in patients with the Acute Respiratory distress syndrome. Crit Care Med 2016; 44: 1361-1369 DOI: 10.1097/CCM.0000000000001653. (PMID: 27035239)
• 16 Levitt JE, Calfee CS, Goldstein BA. et al. Early acute lung injury: criteria for identifying lung injury prior to the need for positive pressure ventilation. Crit Care Med 2013; 41: 1929 DOI: 10.1097/CCM.0b013e31828a3d99. (PMID: 23782966)
• 17 Xie J, Liu L, Yang Y. et al. A modified acute respiratory distress syndrome prediction score: a multicenter cohort study in China. J Thorac Dis 2018; 10: 5764 DOI: 10.21037/jtd.2018.09.117. (PMID: 30505484)
• 18 Apostolova E, Uppal A, Galarraga JE. et al. Towards reliable ARDS clinical decision support: ARDS patient analytics with free-text and structured EMR data. AMIA Annu Symp Proc 2020; 2019: 228-237 (PMID: 32308815)