Patienten in einem Krankenhaus auf der Intensivstation sind gehalten, unter genauer Beobachtung: der Kliniker überwachen kontinuierlich Ihre Vitalfunktionen wie Puls, Blutdruck und Sauerstoffsättigung des Blutes. Dies stellt ärzte und Krankenschwestern mit einer fülle von Daten über den Zustand Ihrer Gesundheit der Patienten. Dennoch verwenden diese Informationen, um vorherzusagen, wie sich Ihr Zustand entwickeln wird oder zum erkennen von lebensbedrohlichen Veränderungen weit im Voraus ist alles andere als einfach.
Forscher an der ETH Zürich und Inselspital, Bern University Hospital haben nun eine Methode entwickelt, die geschickt kombiniert eine patient ‘ s vital signs mit anderen medizinisch relevanten Informationen. Absicherung dieser Daten ermöglicht es, kritische Herz-Kreislauf-Versagen vorausgesagt werden mehrere Stunden, bevor es Auftritt. In Zukunft, das Ziel ist der Gebrauch der Methode für die Echtzeit-Auswertung von Patienten im Krankenhaus ” vital signs bieten ein Frühwarnsystem für das medizinische Personal im Dienst, die wiederum die entsprechenden Maßnahmen ergreifen können in einem frühen Stadium.
Umfangreiche datasets
Die Forscher waren in der Lage, diesen Ansatz zu vermitteln, Dank der fülle von Daten, die von der Abteilung für Intensivmedizin am Inselspital Bern. Im Jahr 2005 wurde es zum ersten großen Intensivstation in der Schweiz zu starten, speichern Sie die differenzierte, hochauflösende Daten für Patienten auf Intensivstationen in digitaler form. Für Ihre Studie verwendeten die Forscher anonymisierte Daten von 36.000 Eintritte auf Intensivstationen, die kamen ausschließlich aus Patienten, die zugestimmt haben Ihre Daten für die Forschung verwendet.
Auf initiative von Tobias Merz, wissenschaftlicher Mitarbeiter und ehemaliger Oberarzt in der Abteilung Intensivmedizin an der Universitätsklinik in Bern, und wer arbeitet nun in Auckland-Stadt-Krankenhaus, die Forscher unter der Leitung von ETH-Professoren Gunnar Rätsch und Karsten Borgwardt analysiert diese Daten mit Hilfe von machine-learning-Verfahren. “Die algorithmen und Modelle entwickelten wir waren in der Lage, vorherzusagen, 90 Prozent aller Kreislauf-Versagen in das dataset, die wir verwendeten. In 82 Prozent der Fälle, die Vorhersage kam mindestens zwei Stunden im Voraus, welche gegeben hätte, die ärzte mindestens zwei Stunden, zu intervenieren”, erklärt Rätsch, Professor der Biomedizinischen informatik an der ETH Zürich.
Relativ wenige Variablen erforderlich
Für jeden Patienten in Ihre Studie, die Forscher hatten mehrere hundert Variablen in Kombination mit anderen medizinischen Informationen zur Verfügung. “Allerdings konnten wir zeigen, dass nur 20 dieser Variablen sind ausreichend, um genaue Vorhersagen. Dazu gehören Blutdruck, Puls, verschiedene Blut-Werte, Alter des Patienten und die Medikation verabreicht”, erklärt Borgwardt, Professor für Data Mining an der ETH Zürich.
Zur weiteren Verbesserung der Qualität der Vorhersagen, die Forscher planen, integrieren, Patientendaten aus anderen großen Kliniken in zukünftigen Analysen. Zusätzlich, Sie werden die anonymisierten Datensatz, der algorithmen und Modelle zur Verfügung, um mit anderen Wissenschaftlern.
Kleine Zahl von hoch relevanten Alarme
“Verhinderung der Herz-Kreislauf-Versagen ist ein entscheidender Aspekt für die Behandlung von Patienten auf der Intensivstation. Auch kurze Zeiträume Unzureichende Zirkulation deutlich erhöhen die Mortalität der Patienten”, sagt Merz. “In intensive care units wir heute zu tun haben mit einer Vielzahl von alarm-Systemen, aber Sie sind nicht sehr genau. Oft sind Sie Auslöser von Fehlalarmen oder geben Sie uns nur eine kurze Vorwarnung, was Verzögerungen bei der Einleitung geeigneter Maßnahmen zu unterstützen, einem Patienten die Durchblutung”, sagt er. Mit Ihrem Ansatz, den die Forscher haben das Ziel zu ersetzen, um die große Anzahl der Alarme mit wenigen, hoch relevant und frühzeitig Alarm. Dies ist möglich, wie die Studie zeigte, dass die neue Methode könnte verringern Sie die Anzahl der Alarme von 90 Prozent.
Einige weitere Entwicklungsarbeit ist erforderlich, um die Methode bereit, für die Nutzung als Frühwarnsystem. Rätsch erklärt, dass der erste Prototyp bereits existiert, aber bevor das system eingesetzt werden kann, in der täglichen klinischen Praxis, die Zuverlässigkeit muss nachgewiesen werden, in klinischen Studien.
