Ein Lernendes und Interoperables, Smartes Expertensystem für die pädiatrische Intensivmedizin

Ein Lernendes und Interoperables, Smartes Expertensystem für die pädiatrische Intensivmedizin

Das ELISE-Projekt widmet sich der Entwicklung eines digitalen, klinischen Entscheidungsunterstützungssystems (CDSS) für die pädiatrische Intensivmedizin zur Beantwortung der Frage, in wie weit ein solches CDSS zur Optimierung des diagnostischen und therapeutischen Arbeitsablaufs in der pädiatrischen Intensivmedizin beitragen kann. Gerade dort ist ein frühzeitiges Erkennen und Antizipieren von lebensbedrohlichen Erkrankungsprozessen entscheidend, da die pädiatrische Intensivmedizin einen hoch wissens- und erfahrungsbasierten Bereich darstellt, der das medizinische Personal vor kontinuierliche Herausforderungen stellt. Die diagnostischen und therapeutischen Maßnahmen sind geprägt von hohen individuellen Abweichungen, die zurückzuführen sind auf den altersspezifischen Entwicklungsstand des Kindes sowie auf heterogene und zum Teil seltene zugrundeliegende Erkrankungen. Speziell für diese Problematik wird ELISE entwickelt, um das ärztliche Personal bei der Früherkennung von Organdysfunktionen, Organversagen und assoziierter schwerer Kreislaufinsuffizienz in Folge von Sepsis und SIRS (Systemisches Inflammatorisches Response-Syndrom) zu unterstützen. In einer diagnostischen Studie werden wir die diagnostische Genauigkeit (d.h. Sensitivität und Spezifität) von diagnose-spezifischen Modellen bestimmen, um den Weg für einen zukünftigen routinemäßigen Einsatz in der pädiatrischen Intensivmedizin zu ebnen.

Aktueller Status

  • In einer Proof-of-Concept Studie wurden die Genauigkeiten (d.h. Sensitivität und Spezifität) von regelbasierten CDSS-Modellen zur Diagnose verschiedener Organdysfunktionen/-versagen (d.h. SIRS und Sepsis sowie hepatische, hämatologische, respiratorische, renale und kardiovaskuläre Organdysfunktion) bestimmt.
  • Eine Usability-Studie wurde durchgeführt. Hierzu wurden Nutzer/innen befragt zur Nutzerfreundlichkeit der Software des CDSS. Die hieraus gewonnenen Erkenntnisse werden für die Weiterentwicklung des Softwareprogrammes berücksichtigt.
  • Erste prädikativen CDSS-Modelle für die Früherkennung (d.h. bis zu 12 Stunden vorher) von SIRS und Sepsis sowie hepatische, hämatologische, respiratorische, renale und kardiovaskuläre Organdysfunktion, basierend auf maschinellen Lernalgorithmen sind entwickelt worden. Diese Modelle werde in eine diagnostischen Studie auf ihre Genauigkeit (d.h. Sensitivität und Spezifität) geprüft.

Projektübersicht

Ansprechpartner Julia Böhnke, MSc; Nicole Rübsamen, PhD
Projektkoordinator am IESM Univ.-Prof. Dr. med. André Karch, MSc
Finanzierung Bundesministerium für Gesundheit (das Projekt ist Teil des Förderschwerpunkts „Digitale Innovationen für eine patientenzentrierte Gesundheitsversorgung“)
Kooperationen Klinik für Pädiatrische Kardiologie und Pädiatrische Intensivmedizin, Medizinische Hochschule Hannover (MHH); Peter L. Reichertz Institut (PLRI) für Medizinische Informatik der Technischen Universität Braunschweig und der Medizinischen Hochschule Hannover; Arbeitsgruppe Bioinformatik, Fraunhofer Institut für Toxikologische und Experimentelle Medizin (ITEM)

Publikationen

  • 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:DocAbstr. 162. doi:10.3205/23gmds056
  • Boehnke J, Zapf A, Kramer K, Weber, P, ELISE Study Group, Karch, A, Ruebsamen, N (2023). Diagnostic test accuracy in longitudinal study settings: Theoretical approaches with use cases from clinical practice. medRxiv. Published online August 8, 2023. https://doi.org/10.1101/2023.08.04.23293637
  • Bode L, Mast M, Rathert H, Elise Study Group, Jack T, Wulff A. Achieving Interoperable Datasets in Pediatrics: A Data Integration Approach. Healthc Transform with Informatics Artif Intell. Published online June 2023:327-330. https://doi:10.3233/SHTI230496
  • Das, Pronaya Prosun; Mast, Marcel; Wiese, Lena; Jack, Thomas; Wulf, Antje (2023): Data Extraction for Associative Classification using Mined Rules in Pediatric Intensive Care Data. BTW 2023. DOI: 10.18420/BTW2023-67. Bonn: Gesellschaft für Informatik e.V.. ISBN: 978-3-88579-725-8. pp. 981-994. Dresden, Germany. 06.-10. März 2023
  • Das PP, Wiese L, Bode L, et al. Explainability Based on Feature Importance for Better Comprehension of Machine Learning in Healthcare.; 2023. Accessed February 13, 2024. https://publica.fraunhofer.de/handle/publica/458252
  • Böhnke, J., Rübsamen, N., Mast, M., Rathert, H., Group, E. S., 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. Advance online publication. https://doi.org/10.1016/j.jclinepi.2022.08.003
  • Bode, L., Schamer, S., Böhnke, J., Study Group, E., Bott, O., Marschollek, M., Jack, T., & Wulff, A. (2022). Tracing the Progression of Sepsis in Critically Ill Children: Clinical Decision Support for Detection of Hematologic Dysfunction. Applied clinical informatics, 10.1055/a-1950-9637. Advance online publication. https://doi.org/10.1055/a-1950-9637
  • 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. (n.d.). ELISE - An open pediatric intensive care data set [Data set]. https://leopard.tu-braunschweig.de/receive/dbbs_mods_00070468
  • 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