Datum: 18.02.2021, 19:00 - 21:00 Uhr
Nach dem anderthalbstündigen Event mit Prof. Dr. med Alexander Meyer vom Deutschen Herzzentrum und der Charité Berlin dürften viele Teilnehmende einen nachhaltig anderen Blick auf die Zukunft der Akutmedizin entwickelt haben. Falls es unter den Teilnehmenden vor dem Vortrag noch Zweifel gab, wie Mustererkennung und moderne Technologien Einzug in die Chirurgie und auf die Intensivstation halten können, so war danach klar: die Anfänge einer solchen Zukunft sind längst auf dem Weg in unsere Kliniken.
Auch wurde schnell deutlich, welchen Anteil Prof. Meyer persönlich daran hat. Selbst Herzchirurg und Fachinformatiker, begann er vor ungefähr zehn Jahren zu Beginn seiner damaligen Assistenzarztzeit selbstständig damit, maschinelles Lernen im Zusammenhang mit postoperativer Überwachung zu erforschen. Unter anderem die damit verbundene bahnbrechende Forschung seiner Arbeitsgruppe hat dazu geführt, dass er nicht nur Teil zahlreicher Forschungskooperationen ist, sondern seit letztem Jahr auch die Professur für Clinical Applications of AI and Data Science an Europas größtem Klinikum, der Charité Berlin, innehat. In seinem breit angelegten Vortrag teilte er seine Motivation mit den Zuhörenden und ging sowohl auf generelle technologische Aspekte wie auch konkrete Beispiele ein. Darüber hinaus zeigte er an seinem eigenen Beispiel, wie innovative, universitäre medizinische Forschung zu einer unternehmerischen Ausgründung führen kann: mit seinem im vergangenen Jahr gegründeten Startup x-cardiac macht er neu entwickelte Methoden des Patientenmonitorings nun am Markt verfügbar.
Was ihn grundsätzlich antreibt kann man mit Blick auf eine Intensivstation schnell nachvollziehen. Als Ort der engmaschigsten Überwachung von kritisch erkrankten Patienten entsteht auf einer solchen Station für jeden Patienten eine regelrechte Datenflut: laut Prof. Meyer werden ca. 10 Variablen wie Vitalparameter mit Frequenzen von bis zu 500 Hz gemessen. Doch sind wir einmal ehrlich – wie viel davon wird aktuell wirklich verwertet? Selbst wenn die diensthabenden Mediziner*innen in jeder Schicht drei Mal für jeden der zahlreichen Patienten auf das entsprechende Monitoring blicken, ginge ein Großteil der Informationen ungenutzt verloren. Dazu komme laut Prof. Meyer, dass die zahlreichen Variablen oft miteinander interagieren und das menschliche Gehirn gemäß des aktuellen Forschungsstands nicht in der Lage sei, die Information von einer solchen Vielzahl an Variablen sinnvoll zu integrieren (1). Das alles führe dazu, dass im klinischen Alltag oftmals Chancen vergeben werden, schwerwiegende klinische Verläufe rechtzeitig zu entdecken und proaktiv Schlimmeres zu verhindern – mit mitunter tödlichen Folgen für die Betroffenen. Würden solche Fälle dann anschließend im Rahmen einer Morbiditäts- und Mortalitätskonferenz besprochen, falle nicht selten auf, dass sich retrospektiv häufig typische Muster finden lassen und man sich dann frage, wie dies niemand bemerken konnte. Gerade in Fällen, wo diese Muster nicht die typischen Grenzwerte unter- oder überschreiten, sei dies aber eben aus den oben genannten Gründen und der hohen Arbeitsverdichtung schwierig und die Schwelle für proaktives Handeln (bspw. in Form einer Re-Operation) im klinischen Alltag hoch. Auch wenn all diese Probleme schon lange bekannt seien (2), so Prof. Meyer, bieten
heute neue von maschinellem Lernen und künstlicher Intelligenz unterstütze Systeme einen Ausweg, indem sie helfen potentiell schlechte Verläufe frühzeitig zu erkennen.
Genau hier setzen die Lösungen an, welche die Gruppe um Prof. Meyer in den vergangenen Jahren erforscht und publiziert hat (3) und von welchen wir heute wissen, dass sie Ärzt*innen, welche dazu neigen das Komplikationsrisiko systematisch zu unterschätzen, in der Abschätzung von bestimmten Gefahren überlegen sind (4). Indem verschiedenste Datenquellen wie die Patientenakte, radiologische Aufnahmen, konventionelle Überwachungsparameter aber auch neue Kurvenmorphologien zur Abschätzung herangezogen werden, erreichen diese Systeme mittlerweile beeindruckend hohe Genauigkeiten. Verständlich für die behandelnden Ärzt*innen machen sie diese einerseits mittels klarer Wahrscheinlichkeiten, aber vor allem auch durch die Ausgabe von klaren einzelnen, neu zusammen gestellten Indices, welche Prof. Meyer in diesem Kontext als „Live-Biomarker“ bezeichnet. Analog zu klassischen Biomarkern in der Medizin zeigen diese oder deren Verläufe ein Risiko an, welches auf einen Blick für den zuständigen Mitarbeiter erfassbar und verständlich wird – trotz der Menge an Variablen, die in die Berechnung miteinfließt. Die hier beschriebenen technologischen Fortschritte sind es, die mittlerweile gut wissenschaftlich fundiert sind und in dem Startup x-cardiac auch anderen Schwerpunktkliniken und Intensivstationen verfügbar gemacht werden sollen. Verständlich machte der nach wie vor praktizierende Herzchirurg Prof. Meyer den Nutzen dieser Technologie an einzelnen klinischen Fällen aus der eignen Klinik.
Prof. Meyer stellte auch noch andere aktuelle Forschungsvorhaben vor, bei welchen im Kontext von Ambient Intelligence Ansätzen von der Umgebung noch mehr Informationen von kritisch kranken Patienten erhoben wird. Als besonders spannend stellte er ein Gemeinschaftsprojekt mit der ETH Zürich vor, bei welchem Multispektralkameras eingesetzt werden, um mittels einer Echtzeit 3D Rekonstruktion longitudinal zahlreiche Parameter des Intensivpatienten zu erfassen: von Temperaturveränderungen an bestimmten Stellen im Gesicht bis hin zum Tracking von Asymmetrien. Auch hier zeigte sich wieder das Konzept der digitalen Biomarker – warum sollte man nicht etwa die Anzahl des Blinzelns eines Patienten in einem festgelegten Zeitraum als Parameter ähnlich behandeln können wie einen konventionellen Laborwert? Den Zuhörenden des Vortrags wurde spätestens hier klar, dass bisherige Projekte allenfalls der Beginn einer langen Reise seien könnten – die Zukunft des Patientenmonitorings bietet noch zahlreiche unausgeschöpfte Möglichkeiten. Dass diese Reise allerdings auch manchmal holprig sein kann, zeigte Prof. Meyer an anderen Beispielen – so musste der Algorithmus des letztgenannten Projektes beispielsweise reprogrammiert werden, als man es in der Praxis immer wieder mit großen Atemmasken zu tun bekam, welche die Gesichtserkennung maßgeblich beeinträchtigten.
Überhaupt kam auch die Kritik an den Methoden und dem Feld des maschinellen Lernens in der Medizin in dem Vortrag nicht zu kurz. Während Prof. Meyer, der aktuell Lehrangebote für Medizinstudenten zu diesen Themen in Berlin entwickelt, die Chancen dieser Technologien für die Praxis einerseits deutlich hervorhob, blieb er auch was die aktuellen Limitationen angeht deutlich. „Machine learning today is mostly statistical learning“ – und als solches kann es zwar sehr gut Korrelationen erkennen, aber deren tatsächliche Relevanz nicht bewerten. Gerade bei klinischen Fragestellungen sei dies oft eine erhebliche Herausforderung, da Korrelationen häufig auch irreführend sind. In der Medizin sei man es außerdem gewohnt mit mechanistischen Modellen zu arbeiten, welche sich mit statistischen Modellen oft schlecht kombinieren oder erklären lassen. Auch die Translation werde oft unterschätzt: nur weil ein Algorithmus unter Laborbedingungen gut funktioniere, sei der Weg bis hin zum klinischen Nutzen häufig lang. Sein Vergleich mit der bloßen Karosserie bis hin zum fertigen Auto wird sicherlich dem ein oder anderen in Erinnerung bleiben. Prof. Meyer selbst geht davon aus, dass wir uns aktuell an der Spitze eines Hypecycles befinden und dass der Durchbruch auf breiter Front für viele dieser Technologien noch Jahre entfernt sei, dann aber substantiell sein wird.
An dieser Stelle möchten wir uns noch einmal bei allen Teilnehmenden bedanken, insbesondere auch für die anschließende spannende Diskussion, welche mit Themen wie vendor lock-in, Interdisziplinarität in der Forschung, Interoperabilität zwischen IT-Systemen, Stellenwerten von digitalen Biomarkern und der internationalen Situation der Digitalisierung im Gesundheitssektor auch von dem sehr aktiven Input des Publikums profitiert hat. Wir freuen uns auf die nächsten Events mit euch und möchten zum Abschluss noch einmal die tolle SketchNote von unserer Zuhörerin Pauline Gieseler präsentieren. Die von Prof. Meyer zitierten und von uns hier aufgegriffenen Paper findet ihr zum Nachlesen für Interessierte ebenfalls im Anschluss. Freut euch auf weitere Workshops und Vorträge in den kommenden Wochen und vergesst nicht, euch in unsere Mailliste einzutragen.
LM
(1) Halford, G. S.; Baker, R.; McCredden, J. E.; Bain, J. D. How Many Variables Can Humans Process? Psychol. Sci. 2005, 16 (1), 70–76. https://doi.org/10.1111/j.0956-7976.2005.00782.x.
(2) Donchin, Y.; Seagull, F. J. The Hostile Environment of the Intensive Care Unit. Curr. Opin. Crit. Care 2002, 8 (4), 316–320. https://doi.org/10.1097/00075198-200208000-00008.
(3) Meyer, A.; Zverinski, D.; Pfahringer, B.; Kempfert, J.; Kuehne, T.; Sündermann, S. H.; Stamm, C.; Hofmann, T.; Falk, V.; Eickhoff, C. Machine Learning for Real-Time Prediction of Complications in Critical Care: A Retrospective Study. Lancet Respir. Med. 2018, 6 (12), 905–914. https://doi.org/10.1016/S2213-2600(18)30300-X.
(4) Rank, N.; Pfahringer, B.; Kempfert, J.; Stamm, C.; Kühne, T.; Schoenrath, F.; Falk, V.; Eickhoff, C.; Meyer, A. Deep-Learning-Based Real-Time Prediction of Acute Kidney Injury Outperforms Human Predictive Performance. Npj Digit. Med. 2020, 3 (1), 1–12. https://doi.org/10.1038/s41746-020-00346-8.