Springe zum Inhalt

AP 4.1: Definition von Risikogruppen

Die aktuell steigenden Infektionszahlen während der COVID-19 Pandemie stellen Krankenhäuser vor eine besondere Herausforderung, da wichtige Ressourcen im Krankenhausumfeld wie Betten in Intensivstationen, Beatmungsgeräte sowie Personal knapp sind. Im Rahmen unseres Arbeitspakets streben wir daher eine optimierte Allokation der Patienten zu Beginn der Erkrankung an. Dazu ist es unerlässlich, Risikofaktoren und -gruppen der COVID-19 Infektion zu bestimmen, um bei Krankenhausaufnahme eine Risikostratifizierung vollziehen zu können.

Um dieses Ziel zu erreichen, werden im Arbeitspaket verschiedene Ansätze Künstlicher Intelligenz in Form von Black-Box Modellen in Verbindung mit erklärbaren Methoden, sowie klassische White-Box Ansätze verfolgt. Die Ergebnisse planen wir in Form einer App oder einer Weboberfläche den Behandelnden zur Verfügung zu stellen, um diese bei der Behandlung bestmöglich unterstützen zu können.

Hintergrund und Problemstellung

Künstliche Intelligenz (KI) beziehungsweise Maschinelles Lernen sind schnell wachsende Forschungsfelder aus der Informatik, die immer mehr Anwendung im Bereich der Medizin finden. Das Hauptziel von Maschinellem Lernen ist die Entwicklung von selbstlernenden Algorithmen, die insbesondere für die Prognose eingesetzt werden. Im Bereich des Pandemiemanagements kann Maschinelles Lernen demnach präzise Prognose von Krankheitsverläufen ermöglichen und somit bei der Diagnose unterstützen, sowie das Gesundheitssystem dadurch entlasten, dass knappe Ressourcen richtig allokiert werden. Insbesondere Methoden mit einem hohen Grad an Erklärbarkeit sind hierbei relevant, da es notwendig ist, die Entscheidung des Algorithmus nachzuvollziehen, um Risikogruppen zu identifizieren und gleichzeitig die Akzeptanz der eingesetzten Methode zu gewährleisten.

In Bezug auf die COVID-19 Pandemie stehen wir vor dem Risiko, dass Betten auf Intensivstationen und Beatmungsgeräte bei zu hohen Infektionszahlen knapp werden und daher eine priorisierte Allokation nach Risikogruppen erfolgen muss. Dies wird umso relevanter bei den aktuell stark ansteigenden Infektionszahlen während der Herbstperiode in Europa.

Ziele

Die notwendigen Maßnahmen zur Eindämmung der COVID-19 Pandemie haben zu drastischen Einschränkungen in der Nutzung der Krankenhausressourcen geführt. Das Ziel des Arbeitspaketes ist zum einen die optimierte Allokation der Patienten zu Beginn der Erkrankung, sowie die Vorhersage des Verlaufs nach KH-Aufnahme (Risikostratifizierung).

Methoden

Um dieses Ziel zu erreichen, werden im Arbeitspaket verschiedene KI-Ansätze beziehungsweise Ansätze des Maschinellen Lernens verfolgt. Insbesondere Methoden mit einem hohen Grad an Erklärbarkeit sind hierbei relevant, da es notwendig ist, die Entscheidung des Algorithmus nachzuvollziehen, um Risikogruppen zu identifizieren und gleichzeitig die Akzeptanz der eingesetzten Methode zu gewährleisten. Im Bereich des Maschinellen Lernens werden sogenannte Neuronale Netzwerke (Black-Box Modell) für eine akkurate Prognose verwendet und im Anschluss durch beispielsweise Surrogat-Modelle (White-Box Modelle) ergänzt, um die Ergebnisse erklärbar zu machen. Allerdings können auch klassische White-Box Ansätze, wie beispielsweise Entscheidungsbäume oder logistische Regressionen verfolgt werden. Insbesondere sollen zeitvariante Daten (z.B. spezifische erklärende Variablen bei KH-Aufnahme, sowie einige Tage nach KH-Aufnahme) mit einbezogen werden, um den Krankheitsverlauf besser einschätzen zu können.

Erwartete Ergebnisse

Zum einen erwarten wir als Ergebnis eine Abschätzung des Krankheitsverlaufes einer COVID-19 Erkrankung mit Hilfe von erklärbaren KI-Modellen. Insbesondere soll vorhergesagt werden, wie schwer der Krankheitsverlauf sein wird, um gegebenenfalls Intensivbetten, Beatmungsstationen und Personal besser allokieren zu können. Zum anderen soll die Identifizierung relevanter Variablen zur Risikostratifizierung und damit das Aufzeigen von patientenabhängigen Risikofaktoren anhand von Prognosen gewährleistet werden. Die Ergebnisse sollen in Form einer App oder Weboberfläche für Behandelnde bereitgestellt werden, um Unterstützung bei der Diagnose und der Verteilung der jeweiligen Krankenhausressourcen zu gewährleisten. Dies trägt außerdem dazu einem möglichen Zeitverlust bei COVID-19 Erkrankungen entgegenzuwirken.

Kontakt

Prof. Dr. Oliver Hinz
E-Mail: ohinz@wiwi.uni-frankfurt.de
Campus Westend, RuW-Gebäude
Theodor-W.-Adorno-Platz 4
60323 Frankfurt am Main