Ein Lernendes und Interoperables, Smartes Expertensystem für die pädiatrische Intensivmedizin

Abkürzung: ELISE

Das ELISE-Projekt widmet sich der Entwicklung eines digitalen klinischen Entscheidungsunterstützungssystems (CDSS) für die pädiatrische Intensivmedizin zur Optimierung von diagnostischen und therapeutischen Routineprozessen in der pädiatrischen Intensivmedizin. Gerade dort ist ein frühzeitiges Erkennen und Antizipieren von lebensbedrohlichen Erkrankungsprozessen entscheidend, denn die pädiatrische Intensivmedizin ist ein komplexer wissens- und erfahrungsbasierter Bereich, der das medizinische Personal kontinuierliche herausfordert. Alle diagnostischen und therapeutischen Maßnahmen sind aufgrund der altersspezifischen Entwicklungsstadien von Kindern und der heterogenen, teils seltenen Erkrankungen innerhalb dieser Patientenpopulation von sehr individuellen Variationen geprägt. Um diesen Herausforderungen zu begegnen, haben wir ELISE entwickelt, das Kliniker/-innen bei der frühzeitigen Erkennung des Systematischen Inflammatorischen Response-Syndroms (SIRS), der Sepsis und den damit verbundenen Organdysfunktionen (d.h. hepatische/ hämatologische/ respiratorische/ renale/ kardiovaskuläre Organdysfunktion) unterstützen kann. 

Das ELISE CDSS besteht aus mehreren, zielzustandsspezifischen, wissensbasierten Erkennungsmodellen und datengetriebenen Vorhersagemodellen. Diese Modelle werden entwickelt und auf ihre diagnostische Genauigkeit (d. h. gemessen an Sensitivität und Spezifität) geprüft, bevor sie validiert werden. Sobald sie eine akzeptabel hohe Genauigkeit bei der Erkennung und/oder Vorhersage von diagnostischen Ereignissen erreicht haben, können diese Modelle in eine Routineanwendung des CDSS für die pädiatrische Intensivmedizin integriert werden.

Projektübersicht

Kontakt Julia Böhnke, MSc; Nicole Rübsamen, PhD
Projektleiter am IESM Univ.-Prof. Dr. med. André Karch, MSc
Förderung Bundesministerium für Gesundheit (das Projekt ist Teil des Förderschwerpunkts „Digitale Innovationen für eine patientenzentrierte Gesundheitsversorgung“)

Förderkennzeichen: 2520DAT66C

Förderungszeitraum: Oktober 2020 – Dezember 2023 (Analysen sind noch nicht abgeschlossen)
Kooperationspartner Bioinformatik und Digital Health, Fraunhofer ITEM (Entwickler/-innen der datengetriebenen Vorhersagemodelle)

Medisite GmbH (Softwareentwickler/-innen)

Pädiatrische Kardiologie und Pädiatrische Intensivmedizin, Medizinische Hochschule Hannover (Kliniker/-innen und Datenbereitsteller/-innen)

Institut für Medizinische Informatik, Peter L. Reichertz Institut (Entwickler/-innen der wissensbasieren Erkennungsmodelle und der datengetriebenen Vorhersagemodelle)

Institut für Epidemiologie und Sozialmedizin, Universität Münster (Epidemiologen/-innen)

Preise

  • Niedersächsischer Gesundheitspreis 2021 (https://digitalagentur-niedersachsen.de/gewinner-niedersaechsischer-gesundheitspreis-2021/)

Publikationen

Veröffentlichung in Zeitschriften
  • Das, P., Wiese, L., Mast, M., Boehnke, J., Wulff, A., Marschollek, M., Bode, L., Rathert, H., Jack, T., Schamer, S., Beerbaum, P., Rübsamen, N., Karch, A., Groszweski-Anders, C., Haller, A., & Frank, T. (2024). An attention-based bidirectional LSTM-CNN architecture for the early prediction of sepsis. International Journal of Data Science and Analytics, 1–15. https://doi.org/10.1007/s41060-024-00568-z
  • Böhnke, J., Zapf, A., Kramer, K., Weber, P., ELISE Study Group, Karch, A., & Rübsamen, N. (2024). Diagnostic test accuracy in longitudinal study settings: theoretical approaches with use cases from clinical practice. Journal of clinical epidemiology, 169, 111314. Advance online publication. https://doi.org/10.1016/j.jclinepi.2024.111314
  • Das, P. P., Mast, M., Wiese, L., Jack, T., & Wulff, A. (2024). Algorithmic Fairness in Healthcare Data with Weighted Loss and Adversarial Learning. In Intelligent Systems and Application, ed. Kohei Arai. Cham: Springer Nature Switzerland, 264-83. https://doi.org/10.1007/978-3-031-47715-7_18
  • Bode, L., Mast, M., Rathert, H., Elise Study Group, Jack, T., & Wulff, A. (2023). Achieving Interoperable Datasets in Pediatrics: A Data Integration Approach. Studies in health technology and informatics, 305, 327–330. https://doi.org/10.3233/SHTI230496
  • Tute, E., Mast, M., & Wulff, A. (2023). Targeted Data Quality Analysis for a Clinical Decision Support System for SIRS Detection in Critically Ill Pediatric Patients. Methods of information in medicine, 62(S 01), e1–e9. https://doi.org/10.1055/s-0042-1760238
  • Das, P. P., Wiese, L., and ELISE Study Group. (2023). Explainability Based on Feature Importance for Better Comprehension of Machine Learning in Healthcare. In New trends in Database and Information Systems, eds. Alberto Abelló, Panos Vassiliadis, Oscar Romero, Robert Wrembel, Francesca Bugiotti, Johann Gamper, Genoveva Vargas Solar, and Ester Zumpano. Cham: Springer Nature Switzerland, 324–35. https://doi.org/10.1007/978-3-031-42941-5_28
  • Wulff, A., Bode, L., Mast. M. (2022), Ein wissensbasiertes, interoperables Entscheidungsunterstützungssystem für die pädiatrische Intensivmedizin. mdi medizin://dokumentation/informatik/informationsmanagement/. 2022;3:85-87. German.
  • Böhnke, J., Rübsamen, N., Mast, M., Rathert, H., ELISE Study Group, Karch, A., Jack, T., & Wulff, A. (2022). Prediction models for SIRS, sepsis and associated organ dysfunctions in paediatric intensive care: study protocol for a diagnostic test accuracy study. BMJ paediatrics open, 6(1), e001618. https://doi.org/10.1136/bmjpo-2022-001618
  • Wulff, A., Mast, M., Bode, L., Rathert, H., Jack, T., & Elise Study Group (2022). Towards an Evolutionary Open Pediatric Intensive Care Dataset in the ELISE Project. Studies in health technology and informatics, 295, 100–103. https://doi.org/10.3233/SHTI220670
  • Böhnke, J., Varghese, J., ELISE Study Group, Karch, A., & Rübsamen, N. (2022). Systematic review identifies deficiencies in reporting of diagnostic test accuracy among clinical decision support systems. Journal of clinical epidemiology, 151, 171–184. https://doi.org/10.1016/j.jclinepi.2022.08.003
  • Wulff, A., Mast, M., Bode, L., Marschollek, M., Schamer, S., Beerbaum, P., Rübsamen, N., Böhnke, J., Karch, A., Das, P. P., Wiese, L., Groszewski-Anders, C., Haller, A., Frank, T., Rathert, H., & Jack, T. (2022). ELISE - An open pediatric intensive care data set [Data set]. https://leopard.tu-braunschweig.de/receive/dbbs_mods_00070468
  • Bode, L., Schamer, S., Böhnke, J., Bott, O. J., Marschollek, M., Jack, T., Wulff, A., & ELISE Study Group (2022). Tracing the Progression of Sepsis in Critically Ill Children: Clinical Decision Support for Detection of Hematologic Dysfunction. Applied clinical informatics, 13(5), 1002–1014. https://doi.org/10.1055/a-1950-9637
  • Mast, M., Marschollek, M., Jack, T., Wulff, A., & Elise Study Group (2022). Developing a Data Driven Approach for Early Detection of SIRS in Pediatric Intensive Care Using Automatically Labeled Training Data. Studies in health technology and informatics, 289, 228–231. https://doi.org/10.3233/SHTI210901
  • ly Detection of SIRS in Pediatric Intensive Care Using Automatically Labeled Training Data. Studies in health technology and informatics, 289, 228–231. https://doi.org/10.3233/SHTI210901
Konferenzbeiträge/-abstracts
  • Wachenbrunner J, Mast M, Böhnke J, Bode L, Rübsamen N, Rathert H, et al. Developing a Complex Rule-Based Clinical Decision Support System for Detection of Acute Kidney Injury after Pediatric Cardiac Surgery. In: The Thoracic and Cardiovascular Surgeon [Internet]. Georg Thieme Verlag KG; 2024 [cited 2024 Feb 26]. p. DGPK-V04. Available from: http://www.thieme-connect.de/DOI/DOI?10.1055/s-0044-1780717
  • Böhnke J, Zapf A, Kramer K, Weber P, Karch A, Rübsamen N. Methods for estimation of diagnostic test accuracy using longitudinal data. In German Medical Science GMS Publishing House; 2023. p. DocAbstr. 162. Available from: https://www.egms.de/static/en/meetings/gmds2023/23gmds056.shtml
  • Das PP, Mast M, Wiese L, Jack T, Wulf A. Data Extraction for Associative Classification using Mined Rules in Pediatric Intensive Care Data. In Gesellschaft für Informatik e.V.; 2023 [cited 2024 Apr 26]. p. 981–94. Available from: https://dl.gi.de/handle/20.500.12116/40376
  • Jack, T., Wulff, A., Rathert, H., Montag, S., Marschollek, M., & Beerbaum, P. (2022). Development of a Clinical Decision Support System for the Detection of SIRS after Surgery for Congenital Heart Disease. The Thoracic and Cardiovascular Surgeon, 70(S 2), DGPK-V36. https://doi.org/10.1055/s-0042-1742994
  • Böhnke J, Varghese J, Karch A, Rübsamen N. Reporting quality and risk of bias in studies evaluating the diagnostic test accuracy of clinical decision support systems: a systematic review of current practice. In German Medical Science GMS Publishing House; 2022. p. DocAbstr. 81. Available from: https://www.egms.de/static/en/meetings/gmds2022/22gmds006.shtml

Webseiten (extern)

  • https://www.bundesgesundheitsministerium.de/ministerium/ressortforschung-1/handlungsfelder/forschungsschwerpunkte/digitale-innovation/modul-3-smarte-algorithmen-und-expertensysteme/elise.html
  • https://plri.de/forschung/projekte/elise