Ein Lernendes und Interoperables, Smartes Expertensystem für die pädiatrische Intensivmedizin (ELISE)

Motivation

Die Intensivmedizin steht kontinuierlich vor der Herausforderung, lebensbedrohliche Erkrankungsprozesse sicher und frühzeitig unter einem hohen Stresslevel und Zeitdruck zu erkennen und zu antizipieren. Im pädiatrischen Fachbereich wird diese Situation häufig verstärkt durch einen Mangel an Evidenz, die Seltenheit und Unterschiedlichkeit der Störungen, die Vielfalt der altersspezifischen normativen Werte sowie die ungenügende Beachtung von Aspekten der Gendermedizin. Dadurch variieren Diagnose- und Behandlungsansätze von Fall zu Fall, häufig ohne ein ausreichendes Feedback über ihren langfristigen Erfolg zu erhalten. Ein systematisches Erlernen neuer Aspekte direkt aus der klinischen Routine, das zu einer Verbesserung der Patientenversorgung führen könnte, ist nur schwer erreichbar.

Ziele und Vorgehen

Im Rahmen des Projekts ELISE sollen digitale Entscheidungsunterstützungssysteme entwickelt werden, die insbesondere die Versorgung in der pädiatrischen Intensivmedizin verbessern sollen. Dazu werden Diagnose- und Vorhersagemodelle für verschiedene Krankheitsbilder wie z. B. Sepsis oder Organversagen implementiert. Durch die Anwendung von Methoden der künstlichen Intelligenz (KI) zur Analyse der vorliegenden Daten sollen bislang nicht erkannte Zusammenhänge in der Pathogenese der unterschiedlichen Erkrankungen besser erkannt werden. Das Vorhaben zielt darauf ab, durch den Einsatz von künstlicher Intelligenz die intensivmedizinische Behandlung von Kindern nachhaltig zu verbessern.

Perspektiven für die Praxis

Die pädiatrische Intensivmedizin ist ein Beispiel für eine Disziplin mit hohem Evidenzbedarf bei einer gleichzeitigen Herausforderung, diese Evidenz durch konventionelle Forschungsstrategien zu erlangen. In dieser herausfordernden Umgebung können Ärztinnen und Ärzte mit Hilfe klinischer Entscheidungsunterstützungssysteme durch die Analyse, Zusammenfassung und Präsentation großer Datenmengen unterstützt werden. Mit Methoden des maschinellen Lernens können auch seltene Ausprägungen eines Krankheitsbildes und Veränderungen in Folge der Behandlung und damit der Therapieergebnisse enthüllt werden. Systeme zur Entscheidungsunterstützung wie ELISE könnten eine Schlüsselrolle einnehmen, um die Qualität gesundheitsbezogener Entscheidungen, die Patientensicherheit und damit die Qualität der Versorgung zu verbessern.