Vogelstiftung fördert intensivmedizinische Datenanalyse mit 11.000 Euro

Randomisierte klinische Studien sind der medizinische Goldstandard für eine unabhängige und wertfreie Beurteilung von Interventionen. Der geringe Evidenz-Zuwachs durch intensivmedizinische Studien wird durch die Heterogenität der Patienten, die regelhaft zu optimistische Schätzung der Effektgröße, die zu starke Fokussierung auf die Mortalität als Endpunkt sowie die Dichotomisierung der Ergebnisse in Signifikant und Nicht-Signifikant erklärt1. Die in Studien beobachtete Heterogenität könnte zudem Ausdruck eines unzureichenden Verständnisses kritischer Krankheitsverläufe sein, was eine geeignete Patientenselektion schwer bis unmöglich macht.
Gleichzeitig werden in der internistischen Notfall- und Intensivmedizin große Mengen an Daten von Intensivpatienten erhoben. Diese enthalten üblicherweise Messungen der Herzfrequenz, des Blutdrucks, der Körpertemperatur, der verabreichten Medikation, der Flüssigkeitsbilanz sowie verschiedene Laborparameter. Durch digitale Messverfahren liegt ein Teil dieser Messungen in hoher zeitlicher Auflösung vor, zum Teil mit Messungen in Abständen von 30 Sekunden. Es erscheint naheliegend, dass in diesen Daten Informationen über die Konstitution und den Gesundheitszustand des Patienten verborgen sind, die über die reine intensivmedizinische Nutzung hinausgehen. Somit können durch geeignete Analyse dieser Daten mögliche Behandlungsempfehlungen für die Zukunft abgeleitet werden, die in dieser Form noch nicht systematisch untersucht worden sind (die intensivmedizinische Therapie erfolgt überwiegend off-label und ist nicht evidenzbasiert). Idealerweise wäre es sogar möglich, datenbasiert Prognosen über den Stabilitätszustand eines Patienten zu treffen (d.h. etwa wann er wieder auf die Normalstation verlegt werden sollte und wann nicht).
Mathematisch betrachtet stellen die genannten Daten für jeden Intensivpatienten verschiedene Zeitreihen dar, die jeweils einem der Messparameter entsprechen. Wir legen die Hypothese zugrunde, dass diese Daten autoregressiv mit einem gleitenden Durchschnitt zu verstehen sind, sodass sich die Frage nach Gesetzmäßigkeiten ergibt, welche beispielsweise auch für Randomisierung verwendet werden könnte.
In diesem Projekt wird als erster Ansatz eine Analyse der bereits vorliegenden Daten durch klassische Methoden der Statistik bzw. der Data Science wie Clustering, UMAP und PCA durchgeführt. In einem zweiten Schritt, d.h. sobald ein grundlegendes Verständnis vorhanden ist, werden auch komplexere mathematische Methoden und Modelle, z.B. aus der Zeitreihenanalyse oder auch dem Deep Learning, angewendet.

Mehr Informationen