Algorithmus soll für weniger Fehlalarme auf der Intensivstation sorgen

Piiiep, piiiep, piiiep. Dauernd schlägt auf der Intensivstation irgendein Messgerät Alarm. Sei es, weil das Blut eines Patienten zu wenig Sauerstoff enthält, bei der Patientin nebenan der Druck im Schädel gestiegen oder bei jemandem der Blutdruck abgesackt ist. Oder aber einfach nur deshalb, weil sich ein Patient im Bett bewegt hat.

Solche Fehlalarme sind häufig. Sie halten das medizinische Personal auf Trab, und es besteht die Gefahr, dass die echten Alarme in der Flut von Fehlalarmen untergehen. Pflegende und Ärzte haben daher ein Interesse, dass sich die Zahl von falschen Alarmen deutlich reduziert. Forscher der ETH Zürich haben nun in Zusammenarbeit mit Wissenschaftlern der Neurochirurgischen Intensivstation des Universitätsspitals Zürich eine Methode des maschinellen Lernens geschaffen, welche genau dieses Ziel verfolgt.

Im Rahmen einer Machbarkeitsstudie nutzten die Forschenden umfassende Datenaufzeichnungen dieser Intensivstation. Für ein Datenwissenschafts-Projekt (ICU Cockpit) werden dort die Messungen der Vitalfunktionen in hoher zeitlicher Auflösung sowie die Alarme mit Zustimmung der Patienten systematisch gespeichert.

Wie es auch auf anderen Intensivstationen die Regel ist, funktionieren die verschiedenen Geräte zur Kreislaufüberwachung, künstlichen Beatmung und der Aufzeichnung eines Elektroenzephalogramms unabhängig voneinander. Ebenso schlagen sie unabhängig voneinander Alarm, nämlich dann, wenn der Messwert einen definierten Schwellenwert unter- oder überschreitet. Die Forschenden kombinierten und synchronisieren daher die Daten der Messgeräte, um mithilfe von maschinellem Lernen medizinisch nicht-relevante Alarme zu identifizieren.