Objektive Überwachung der Sedierung in der Endoskopie mit künstlicher Intelligenz

• Antragsteller: Dr. Jakob Garbe; Professor Dr. Thomas Schmid
• Fachliche Zuordnung: Gastroenterologie ; Anästhesiologie
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 547230187

Endoskopische Interventionen sind ein wichtiger und unverzichtbarer Bestandteil der modernen Humanmedizin. Da endoskopische Prozeduren für Patienten häufig mit psychischem und physischem Stress verbunden sind, werden diese in Sedierung durchgeführt. Zudem können stabile Untersuchungsbedingungen, die für komplexe Prozeduren unverzichtbar sind, in der Regel nur mittels Sedierung erreicht werden. Die Sedierung wird meist durch eine speziell geschulte Pflegekraft auf Basis des klinisch-subjektiven Eindrucks (unter anderem Grimassieren, unwillkürliche Laute, Schwitzen) und der Vitalparameter (Sauerstoffsättigung und Blutdruck) gesteuert. Die Erfahrung der Pflegekraft bestimmt maßgeblich die Qualität der Sedierung. Ein objektives Monitoring für die Sedierung existiert bisher nicht. Während die Gesamtrate schwerer sedierungsassoziierter Nebenwirkungen gering ist, sind bestimmte Kollektive mit Risikofaktoren relevant gefährdet schwere Komplikationen durch die Sedierung zu erleiden. Für diese risikoreichen Eingriffe wäre eine bessere Steuerung der Sedierung zur Vermeidung sedierungsassoziierter Komplikationen wünschenswert. Durch eine zunehmende Anzahl interventioneller minimalinvasiver endoskopischer Verfahren, welche für eine erfolgreiche Durchführung besonders auf stabile und gleichmäßige Sedierung angewiesen sind, wird der Bedarf einer optimal gesteuerten Sedierung weiter untermauert. Das vorgestellte Projekt zielt in drei aufeinander aufbauenden Modulen auf die Entwicklung eines prototypischen Vorhersagemodells von Bewusstseinsstatus und Sedierungstiefe. Die Modellierung erfolgt mit Methoden der künstlichen Intelligenz, wobei klassische Verfahren des Maschinenlernens und Deep-Learning-Verfahren konkurrierend eingesetzt werden. Als Datenbasis dienen Echtzeit-Biosignale aus endoskopischen Eingriffen der Gastroenterologie und Pneumologie, die prospektiv im ersten Modul des Projekts erhoben werden. Der Fokus liegt auf EEG-Daten, unterstützt durch klassische Biosignale (u.a. EKG und Pulsoxymetrie) und weitere Parameter, wie beispielsweise Akzelerometrie. Als Referenz werden engmaschig der Bewusstseinsstatus und die klinische Sedierungstiefe in Echtzeit im Datenstrom markiert. Im zweiten Modul werden das EEG und weitere Biosignale weiterverarbeitet, um bestimmte Signalinformationen für klassische KI-Modellierung zugänglich zu machen. Die Parameter umfassen die Adaptation und Evaluation bereits bekannter Parameter aus der Anästhesie, die Weiterentwicklung dieser Parameter und auf die Endoskopiesedierung zugeschnittene Neuentwicklung von Parametern. Am Schluss der Modellierung im dritten Modul wird ein valides, reliables und robustes KI-Modell für die Vorhersage von Sedierungstiefe und Bewusstsein verfügbar sein, welches in einen verlässlichen Monitor zur Überwachung der Sedierung während endoskopischer Eingriffe integriert werden kann.

• DFG-Verfahren: Sachbeihilfen