CASSANDRA – Clinical ASSist AND aleRt Algorithms - Frühe Detektion von postoperativen Komplikationen mit machine learning Algorithmen

Projektbeschreibung

Nach großen operativen Eingriffen, etwa Leber-, Bauchspeicheldrüsen-, Magen- und Darmoperationen, treten häufig schwere Komplikationen auf. Selbst noch nach mehreren Tagen kann es zu plötzlichem Organversagen oder zu Infektionen der Bauchhöhle kommen. Unbehandelt oder zu spät erkannt, kann dies für die Patientinnen und Patienten lebensbedrohlich werden. Frühzeitig eingeleitete therapeutische Maßnahmen können potenziell schwere und lebensbedrohliche Komplikationen abmildern und der Patientin oder dem Patienten lange und belastende Krankenhausaufenthalte ersparen. Das rechtzeitige Erkennen solcher Komplikationen ist insofern eine besondere Herausforderung, da die anfänglichen Symptome unspezifisch und in ihrem zeitlichen Auftreten auch sehr variabel sind.

Das Projekt CASSANDRA untersucht, ob Maschinelles Lernen (ML) bei diesem Versorgungsproblem helfen kann. In einer Studie über 31 Monate werden vor einem chirurgischen Eingriff Informationen über Patientinnen und Patienten dokumentiert und mit bestimmten Parametern während der Operation sowie der unmittelbaren postoperativen Phase in einer Risikostratifizierung zusammengefasst. Diese statischen Faktoren werden dann mit kontinuierlichen, telemedizinischen Vitalparametermessungen aus dem weiteren stationären Verlauf – insbesondere auch auf einer Normalstation – kombiniert. Alle erfassten Daten, die den Zustand der Person möglichst präzise abbilden, werden somit zusammengeführt. Ein ML-Algorithmus erkennt daraus Gesetzmäßigkeiten und schätzt schließlich das Risiko für eine Komplikation ab – im besten Fall früher und verlässlicher als das behandelnde Fachpersonal. Um dies zu überprüfen, nutzen die Forscherinnen und Forscher in ihrer Studie sowohl quantitative als auch qualitative Methoden. Das Projekt wird für drei Jahre mit insgesamt ca. einer Million Euro gefördert.

Im Erfolgsfall treibt das Projekt den Einsatz von automatisierter Überwachung und ML-gestützter Analysen in der Patientenversorgung voran. Die Ergebnisse des Projekts könnten die Grundlage bilden, um langfristig ein autonomes Echtzeit‐Warnsystem zu entwickeln und die Patientensicherheit bei gleichzeitiger Reduktion des Arbeitsaufwands für das behandelnde Personal zu erhöhen.

Konsortialpartner

Hasso-Plattner-Institut für Digital Engineering gGmbH