RSS-Feed abonnieren
DOI: 10.1055/a-1194-1318
Zukunft der Intensivmedizin – Künstliche Intelligenz
![](https://www.thieme-connect.de/media/intensiv-u2d/202101/lookinside/thumbnails/10-1055-a-1194-1318_im_bickenbach-1.jpg)
Der Einsatz von „Künstlicher Intelligenz“ (KI) wird vielfach bereits als „The next Big Thing“ gesehen. Dieser Artikel soll einen Einblick über den möglichen Einsatz von Künstlicher Intelligenz (KI) in der Intensivmedizin, deren Potenzial für die Patientenbehandlung, aber auch die notwendigen Rahmenbedingungen geben.
-
In kaum einem anderen Bereich im Krankenhaus fallen so große Mengen an Daten an wie in der Intensivmedizin.
-
Patientendatenmanagementsysteme (PDMS) ermöglichen nicht nur eine automatisierte, digitale Dokumentation, sondern sind Grundlage und wertvolle Quelle für die Nutzung qualitativ hochwertiger Patientendaten.
-
Die Nutzung für KI-Auswertungen erfordert eine Abstimmung von Standards und Schnittstellen, um Daten interoperabel und standortübergreifend austauschbar zu machen.
-
Viele intensivmedizinische Krankheitsbilder, unter anderem der septische Schock und das akute Lungenversagen (ARDS), sind zeitkritisch, und KI-Analysen können helfen, die Diagnose zeitnah zu stellen und die Evolution der Erkrankung zu verstehen.
-
Ein Teilaspekt der intensivmedizinischen Patientenversorgung ist die Zusammenstellung internationaler digitaler Netzwerke, um KI-unterstütztes Decision Making zu ermöglichen.
-
Die Verknüpfung von PDMS mit dem individuellen Profil von Patienten sowie Informationen aus der (bildgebenden) Diagnostik kann (Intensiv-)Medizin personalisieren.
Schlüsselwörter
Künstliche Intelligenz - KI - Big Data - Patientendatenmanagementsystem - PDMS - Sepsis - ARDSPublikationsverlauf
Artikel online veröffentlicht:
19. Februar 2021
© 2021. Thieme. All rights reserved.
Georg Thieme Verlag KG
Rüdigerstraße 14, 70469 Stuttgart, Germany
-
Literatur
- 1 Kumpf O, Braun JP, Brinkmann A. et al. Quality indicators in intensive care medicine for Germany – third edition 2017. Ger Med Sci 2017; 15: Doc10 doi:10.3205/000251
- 2 De Mauro A, Greco M, Grimaldi M. A formal definition of Big Data Based on its essential features. Library Rev 2016; 65: 122-135
- 3 SepNet Critical Care Trials Group. Incidence of severe sepsis and septic shock in German intensive care units: the prospective, multicentre INSEP study. Intensive Care Med 2016; 42: 1980-1989
- 4 Winters BD, Eberlein M, Leung J. et al. Long-term mortality and quality of life in sepsis: a systematic review. Crit Care Med 2010; 38: 1276-1283
- 5 Briegel J, Möhnle P. Surviving Sepsis Campaign Update 2018: das 1-h-Bundle: Hintergrund zu den neuen Empfehlungen. Anaesthesist 2019; 68: 204-207
- 6 Marik PE, Farkas JD, Spiegel R. et al. POINT: Should the Surviving Sepsis Campaign Guidelines be retired? Yes. Chest 2019; 155: 12-14
- 7 Ghalati PF, Samal SS, Bhat JS. et al. Critical transitions in intensive care units: a sepsis case study. Sci Rep 2019; 9: 12888
- 8 Johnson AE, Pollard TJ, Shen L. et al. MIMIC-III, a freely accessible critical care database. Sci Data 2016; 3: 160035
- 9 Singer M, Deutschman CS, Seymour CW. et al. The third international consensus definitions for sepsis and septic shock (Sepsis-3). JAMA 2016; 315: 801-810
- 10 Islam MM, Nasrin T, Walther BA. et al. Prediction of sepsis patients using machine learning approach: A meta-analysis. Comput Methods Programs Biomed 2019; 170: 1-9
- 11 Komorowski M, Celi LA, Badawi O. et al. The Artificial Intelligence Clinician learns optimal treatment strategies for sepsis in intensive care. Nat Med 2018; 24: 1716-1720
- 12 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
- 13 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
- 14 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
- 15 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
- 16 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
- 17 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. Im Internet (Stand: 04.11.2020): https://www.awmf.org/uploads/tx_szleitlinien/001-021l_S3_Invasive_Beatmung_2017-12.pdf
- 18 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
- 19 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
- 20 Gattinoni L, Chiumello D, Caironi P. et al. COVID-19 pneumonia: different respiratory treatments for different phenotypes?. Intensive Care Med 2020; 46: 1099-1102