Forschung bringt KI-Assistenztechnologie für Anästhesisten voran

Home » Forschung bringt KI-Assistenztechnologie für Anästhesisten voran

Eine neue Studie von Forschern des MIT und des Massachusetts General Hospital deutet darauf hin, dass der Tag näher rückt, an dem fortschrittliche künstliche Intelligenzsysteme Anästhesisten im Operationssaal helfen könnten.

In einer Sonderausgabe von Künstliche Intelligenz in der Medizindemonstrierte das Team aus Neurowissenschaftlern, Ingenieuren und Ärzten einen maschinellen Lernalgorithmus zur kontinuierlichen Automatisierung der Dosierung des Anästhetikums Propofol. Unter Verwendung einer Deep-Reinforcement-Learning-Anwendung, in der die neuronalen Netze der Software gleichzeitig lernten, wie ihre Dosierungsentscheidungen die Bewusstlosigkeit aufrechterhalten und wie sie die Wirksamkeit ihrer eigenen Aktionen kritisieren, übertraf der Algorithmus größere Software, die in hochentwickelten, auf Physiologie basierenden Patientensimulationen traditionell ist. Es kam auch der Leistung echter Anästhesisten sehr nahe, wenn es zeigte, was es tun würde, um die Bewusstlosigkeit angesichts der aufgezeichneten Daten von neun echten Operationen aufrechtzuerhalten.

Fortschrittliche Algorithmen verbessern die Fähigkeit von Computern, die Bewusstlosigkeit von Patienten mit nicht mehr Medikamenten als nötig aufrechtzuerhalten, und entlasten Anästhesisten von allen anderen Aufgaben, die sie im Operationssaal haben, einschließlich der Sicherstellung, dass die Patienten ruhig bleiben, keine Schmerzen verspüren, physiologisch stabil bleiben und genug erhalten Sauerstoff, sagten Co-Hauptautoren Gabe Schamberg und Marcus Badgeley.

„Sie können sich unser Objektiv analog zum Autopiloten eines Flugzeugs vorstellen, bei dem der Kapitän immer aufmerksam im Cockpit ist“, sagte Schamberg, ein ehemaliger MIT-Postdoc, der auch der entsprechende Autor der Studie ist. „Anästhesisten müssen viele Aspekte des physiologischen Zustands eines Patienten gleichzeitig überwachen, und daher ist es sinnvoll, Aspekte der Patientenversorgung zu automatisieren, die wir gut verstehen.“

Die Hauptautorin Emery N. Brown, Neurowissenschaftlerin am Picower Institute for Learning and Memory und dem Institute for Medical Engineering and Science am MIT und Anästhesistin am MGH, sagte, dass das Potenzial des Algorithmus zur Optimierung der Medikamentendosierung die Patientenversorgung verbessern könnte.

„Algorithmen wie dieser ermöglichen es Anästhesisten, den Patienten während der Vollnarkose aufmerksamer und nahezu kontinuierlich zu überwachen“, sagte Brown, Edward Hood Taplin Professor für Computational Neuroscience und Health Science and Technology am MIT.

Sowohl Schauspieler als auch Kritiker

Das Forschungsteam entwarf einen maschinellen Lernansatz, der nicht nur lernen würde, wie man Propofol dosiert, um den Patienten bewusstlos zu halten, sondern auch, wie man dies so tut, dass die Menge des verabreichten Medikaments optimiert wird. Sie erreichten dies, indem sie die Software mit zwei verknüpften neuronalen Netzen ausstatteten: einem „Akteur“, der dafür verantwortlich ist, zu entscheiden, wie viel Medikament zu einem bestimmten Zeitpunkt dosiert werden soll, und einem „Kritiker“, dessen Aufgabe es war, dem Akteur zu helfen, sich so zu verhalten, dass er maximiert wird. Belohnungen“, die vom Programmierer festgelegt wurden. Zum Beispiel experimentierten die Forscher damit, den Algorithmus mit drei verschiedenen Belohnungen zu trainieren: eine, die nur eine Überdosierung bestraft, eine, die die Abgabe einer beliebigen Dosis in Frage stellt, und eine, die keine Strafe auferlegt.

In jedem Fall trainierten sie den Algorithmus mit Simulationen von Patienten, die fortgeschrittene Modelle der Pharmakokinetik verwendeten, oder wie schnell Propofol-Dosen relevante Regionen des Gehirns erreichen, nachdem die Dosen verabreicht wurden, und die Pharmakodynamik, oder wie das Medikament tatsächlich das Bewusstsein verändert, wenn es es ist erreicht sein Ziel. Die Bewusstlosigkeit der Patienten spiegelte sich währenddessen in der Hirnstrommessung wider, wie sie in echten Operationssälen sein kann. Indem Hunderte von Simulationszyklen mit einer Reihe von Werten für diese Bedingungen ausgeführt wurden, konnten Schauspieler und Kritiker lernen, ihre Rollen für eine Vielzahl von Patiententypen zu erfüllen.

Das effektivste Belohnungssystem erwies sich als das der „Dosisstrafe“, bei der der Rezensent jede vom Schauspieler verabreichte Dosis in Frage stellte und den Schauspieler ständig tadelte, weiterhin so wenig zu dosieren, wie es zur Aufrechterhaltung der Bewusstlosigkeit des Publikums erforderlich sei. Ohne Dosierstrafe dosierte das System manchmal zu viel und mit nur einer Überdosierungsstrafe gab es manchmal zu wenig. Das „Dose Penalty“-Modell lernte schneller und erzeugte weniger Fehler als andere Wertmodelle und die traditionelle Standardsoftware, ein „Proportional-Integral-Differential“-Regler.

Ein kompetenter Berater

Nachdem sie den Algorithmus mit Simulationen trainiert und getestet hatten, stellten Schamberg und Badgeley die „Dose Penalty“-Version einem realistischeren Test durch, indem sie sie mit Patientenbewusstseinsdaten fütterten, die von echten Fällen im Operationssaal aufgezeichnet wurden. Die Tests zeigten sowohl die Stärken als auch die Grenzen des Algorithmus.

Während der meisten Tests stimmten die Dosierungsentscheidungen des Algorithmus eng mit denen der behandelnden Anästhesisten überein, nachdem die Bewusstlosigkeit herbeigeführt wurde und bevor sie nicht mehr benötigt wurde. Der Algorithmus passte die Dosierung jedoch alle fünf Sekunden an, während Anästhesisten (die alle viele andere Dinge zu tun hatten) dies normalerweise nur alle 20 bis 30 Minuten taten, stellte Badgeley fest.

Wie Tests gezeigt haben, ist der Algorithmus nicht dafür optimiert, überhaupt Bewusstlosigkeit herbeizuführen, räumten die Forscher ein. Die Software selbst weiß auch nicht, wann die Operation abgeschlossen ist, fügten sie hinzu, aber es ist eine einfache Sache für den Anästhesisten, diesen Prozess zu verwalten.

Eine der größten Herausforderungen, vor denen jedes KI-System wahrscheinlich weiterhin stehen wird, ist laut Schamberg, ob die Daten, die es über die Bewusstlosigkeit von Patienten erhält, absolut korrekt sind. Ein weiterer aktiver Forschungsbereich in Browns Labor am MIT und MGH ist die Verbesserung der Interpretation von Datenquellen wie Gehirnwellensignalen, um die Qualität der Patientenüberwachungsdaten unter Anästhesie zu verbessern.

Neben Schamberg, Badgeley und Brown sind die anderen Autoren des Artikels Benyamin Meschede-Krasa und Ohyoon Kwon.

Die JPB Foundation und die National Institutes of Health finanzierten die Studie.