Das Forschungsprojekt HEART erforscht eine non-invasive Methode zur Überwachung des Flüssigkeitsbedarfs des Körpers anhand von EKG-Signalen. KI-gestützte Analysen großer Datenmengen unterstützen die Präzisionsmedizin und bieten Patient*innen erhebliche Vorteile.
Das Forschungsprojekt HEART erforscht eine völlig non-invasive Methode zur präzisen Ermittlung des Flüssigkeitsbedarfs des Körpers anhand von EKG-Signalen. Der Einsatz von Künstlicher Intelligenz bei der Analyse großer retrospektiver Datenmengen stellt zudem einen Schritt in Richtung Präzisionsmedizin dar, in der Behandlungsentscheidungen anhand individueller Kriterien getroffen werden.
Die bei gesunden Menschen autonome Regulierung des Flüssigkeitshaushalts versagt bei langwierigen chirurgischen Eingriffen oder bei extremer Belastung. Bei Langzeitoperationen mit Blutverlust oder übermäßiger Verdunstung muss der Flüssigkeitsbedarf des*der Patienten*Patientin über ein erweitertes hämodynamisches Monitoring genau bestimmt werden, weil erhebliche Abweichungen vom optimalen Bereich schwerwiegende Komplikationen verursachen können. Alle heute verfügbaren Methoden für eine erweiterte Überwachung sind invasiv (d. h. sie erfordern die Punktion von Blutgefäßen) und daher anfällig für Komplikationen. Bisher gibt es kein präzises, zuverlässiges, einfach anzuwendendes non-invasives Verfahren zur erweiterten Überwachung.
Grundlage für die anvisierte non-invasive Methode ist die Annahme, dass sich Änderungen im Flüssigkeitshaushalt auch auf das Erregungsleitungssystem des Herzens auswirken und sich diese Änderungen im EKG widerspiegeln müssen. Im Rahmen von HEART werden dazu große Mengen retrospektiver Daten aus dem Kepler Universitätsklinikum Linz und aus geeigneten öffentlichen Datenbanken analysiert, um eine Korrelation zwischen Veränderungen im EKG-Signal und Flüssigkeitsgaben nachzuweisen. State-of-the-Art Methoden des Deep Learning (z. B. CNN, LSTM, Transformer) werden ebenso zur Auswertung der EKG-Signalausschnitte verwendet, wie besser interpretierbare, auf etablierten manuell extrahierten EKG-Features beruhende Ansätze des klassischen maschinellen Lernens. Die gewonnenen Erkenntnisse können dann in einem möglichen Folgeprojekt mit prospektiven Daten validiert werden.
HEART wird bei der Datenauswahl besonders auf eine ausgeglichene Geschlechterverteilung und eine repräsentative Altersverteilung achten, um Datenverzerrungen und systematischen Prognosefehlern vorzubeugen. Die erhaltenen Analyseergebnisse werden auf ihre gleichermaßen gültige Anwendbarkeit auf unterschiedlichen Subpopulationen geprüft.
Die Umsetzung dieser neuartigen und disruptiven Methode würde eine dringend benötigte, zuverlässige, kosteneffiziente und benutzer*innenfreundliche Patient*innenüberwachung bieten, mit einer Reihe von Vorteilen einer nicht-invasiven Methode: für Anästhesist*innen eine einfach zu verwendende, aber zuverlässige erste Stufe des erweiterten hämodynamischen Monitorings; für die Pflege eine zeitsparende Anwendung, in die das Personal rasch eingewiesen werden kann; für Patient*innen ein verringertes Risiko und potenziell kürzere Krankenhausaufenthalte; für Krankenhausträger*innen eine kostengünstige Lösung. Ein erweiterter Nutzen von non-invasivem hämodynamischen Monitoring könnte einerseits im Bereich der erweiterten (institutionellen) Pflege oder auch im Freizeitbereich liegen. Durch niederschwellige EKG-Messungen (z. B. Wearables) könnte beispielsweise der Flüssigkeitsbedarf von Senior*innen oder Extremsportler*innen gemessen werden.
Die Forschungsarbeiten zu HEART finden in enger Abstimmung mit der Universitätsklinik für Anästhesiologie und operative Intensivmedizin der Medizinischen Fakultät der JKU Linz, sowie der Klinischen Abteilung für Allgemeine Anästhesie und Intensivmedizin der MedUni Wien statt.
Dieses Projekt wird aus Mitteln der FFG gefördert.
Head of Unit Medical Informatics
