65. Jahrgang - Oktober 2024
Originalia | Original Articles
Klinische Anästhesie | Clinical Anaesthesia
A. Luckscheiter · W. Zink · M. Thiel · V. Schneider-Lindner
Maschinelles Lernen in der Anästhesiologie – Anwendungen, Entwicklungsprozess und Ausblick
Schlüsselwörter
Notfallmedizin – Intensivmedizin – Anästhesiologie – Schmerztherapie – Palliativmedizin – Maschinelles Lernen
Keywords
Anaesthesiology – Intensive Care Medicine – Emergency Medicine – Pain Therapy – Palliative Care – Machine Learning
Zusammenfassung
Hintergrund
Die Generierung großer elektronischer Datenmengen der Anästhesiologie (Anästhesie, Intensivmedizin, Notfallmedizin, Schmerz- und Palliativmedizin) ermöglicht die Entwicklung von Modellen des maschinellen Lernens (ML). Diese haben das Potenzial, einen integralen Bestandteil der zukünftigen Patientenversorgung zu bilden.
Ziel der Arbeit
Die Übersichtsarbeit soll mögliche Anwendungsfelder von ML-Modellen aufzeigen und so deren potenziellen Ei-fluss auf die klinische Arbeit in der Anästhesiologie verdeutlichen. Anhand fiktiver Fälle sollen aktuelle Studien die Chancen und Risiken des ML in der Anästhesiologie sowie die Herausforderungen hin zur finalen klinischen Anwendung aufzeigen.
Material und Methoden
Es erfolgte eine selektive PubMed-Recherche zu den Stichworten Anästhesiologie, Intensivmedizin, Notfallmedizin sowie Schmerz- und Palliativtherapie zusammen mit maschinellem Lernen. Die Studienauswahl erfolgte anhand einer möglichen baldigen oder tatsächlichen klinischen Anwendung, zur Schaffung eines Problembewusstseins oder anhand eines vermehrten klinischen Bedarfs an ML-Unterstützung bezogen auf Hauptschwerpunkte der alltäglichen Versorgung in den jeweiligen Fachbereichen. Sofern verfügbar, wurden diese mit etablierten Scores verglichen.
Ergebnisse
In der Anästhesie konnten ML-Modelle zur Vorhersage des schwierigen Atemwegs, Hypoxie, Hypotonie und Narkosetiefe identifiziert werden. In der Intensivmedizin könnten Modelle durch Vorhersagen zu Mortalität, Morbidität und Organdysfunktion unterstützend wirken. Limitierte Datenquellen schränken das ML in der präklinischen Notfallmedizin ein. Allerdings sind hier bereits Modelle zum Reanimationserfolg, zum Intubationsrisiko sowie zur schnelleren EKG-Diagnostik erschienen. In der Schmerz- und Palliativmedizin könnte die Diagnostik und Therapie von neuropathischen Schmerzzuständen verbessert bzw. die Ressourcensteuerung bei palliativer Versorgung optimiert werden.
Diskussion
In der Anästhesiologie könnten viele Aspekte der Patientenversorgung durch ML-Anwendungen unterstützt werden. Allerdings umfasst die Entwicklung von ML-Modellen nicht nur die Verifikation der Datenvalidität, Schulungen oder interne und externe Testungen. Weitere Schritte bis zur Implementierung betreffen Validierungsstudien, die Einhaltung ethischer, rechtlicher und technischer Standards sowie Anwenderschulungen und Überwachungsprozesse. Daher hat maschinelles Lernen in der Anästhesiologie noch nicht sein volles Potenzial erreicht.
Summary
Background
Big data from anaesthesiology, (anaesthesia, emergency medicine, intensive care medicine, pain and palliative therapy) increasingly facilitates the development of machine learning-based tools and models which have a strong potential to improve patient care.
Objectives
The aim of the study is to highlight application areas for machine learning (ML) and to describe the potential impact of machine ML-based tools on clinical work in anaesthesiology. Based on fictitious clinical cases a selection of current, applied ML studies will be presented as well as the challenges that need to be met prior to the clinical application of ML models.
Material and methods
A PubMed query including the keywords anaesthesiology, intensive care medicine, emergency medicine, pain therapy, palliative care and machine learning was performed. With regard to key topics of the specialties, we selected studies describing ML analyses likely to lead to future clinical applications or meet the growing clinical requirement of an ML-based support. Where available, the study results were compared to established clinical scores.
Results
In anaesthesia, ML-based tools could support the prediction of a difficult airway, hypotension, hypoxia or depth of anaesthesia. In intensive care medicine, mainly prediction models for mortality, morbidity and organ failure exist. The role of ML in emergency medicine is still limited due to restricted data resources. However, the success of resuscitation and the need of airway management can be modelled; ECG diagnosis can be improved. Pain therapy can be optimised and neuropathic pain can be predicted. A better individualised resource management in palliative care could be achieved by means of prognostic forecasting with ML.
Conclusion
In anaesthesiology many aspects of clinical care could be supported with ML-based tools. However, subsequent to the underlying ML model development, which comprises verification of data validity, training, internal and external testing, implementation of ML-based tools requires the completion of significant further steps including validation studies, compliance with ethical, legal and technical standards, user training and governance. Therefore, exemplified by ML-based clinical tools, its full potential in anaesthesiology has not yet been reached by far.
