Anästhesiologie und
Intensivmedizin
Intensivmedizin
© iStock.com / asiseeit
Als Universitätsklinik legen wir neben unserer klinischen Arbeit und der Lehre einen besonderen Schwerpunkt auf den Bereich Wissenschaft und Forschung. Die klinische Forschung wird fortwährend ausgebaut und fokussiert auf die Schwerpunkte perioperative Anämie und Patient Blood Management, Kinderherz- und Kinderintensivmedizin, Narkosetiefe und Notfallmedizin. Darüber hinaus nimmt unsere Universitätsklinik an mehreren multizentrischen Studien (z.B. Vitamin D-Supplementierung beim kritisch kranken Patientinnen und Patienten mit schwerem Vitamin-D-Mangel, Outcome bei extrakorporaler kardiopulmonaler Reanimation) teil. In Zusammenarbeit mit dem Universitätsklinik für Anästhesiologie und Operative Intensivmedizin affiliierten Medical Cognitive Computing Centre (mc3) sowie dem Institut für Machine Learning und dem Institut für Signalverarbeitung der Johannes Kepler Universität forschen Mitarbeiterinnen und Mitarbeiter der Universitätsklinik für Anästhesiologie und Operative Intensivmedizin mit Methoden der künstlichen Intelligenz in den Bereichen Signalverarbeitung, Prädiktion und Pattern Recognition.
Mitglieder: Dr.in Roxanne Brooks, Dr. Bernhard Eichler, Univ.-Prof. Dr. Jens Meier
Zweck der Studie ist es, zu evaluieren, ob die intravenöse, postoperative Therapie mit Eisen(III)carboxymaltose nach Korrektur angeborener Herzfehler zu einem schnelleren Anstieg des Hämoglobinwertes führt, als dies ohne die Gabe von Eisen möglich ist.
Bei vielen Kindern, die sich einer Herzoperation unterziehen müssen, liegt vielfach bereits präoperativ ein nicht diagnostizierter Eisenmangel vor, der durch den intraoperativen Blutverlust noch weiter verschärft wird. Die entstehende Eisenmangelanämie ist nach der Operation der Hauptgrund für den perioperativen Transfusionsbedarf.
Im Bereich der Erwachsenenherzchirurgie konnte eindrücklich nachgewiesen werden, dass durch eine perioperative Eisensubstitution der postoperative Transfusionsbedarf signifikant gesenkt werden kann. Da oral verabreichtes Eisen nur zu einem unzureichenden Anstieg der Kapazität der Eisenspeicher des Organismus führt, wird hierbei auf intravenöse Eisenpräparate zurückgegriffen. Hierdurch kann die Effektivität einer perioperativen Eisentherapie deutlich erhöht werden. Der Einsatz von intravenösen Eisenpräparaten könnte die Effektivität dieses therapeutischen Ansatzes deutlich erhöhen und damit den Transfusionsbedarf gerade bei kardiochirurgischen Kindern relevant senken.
Leitung: OÄ Dr.in Anna Hofer
Im Rahmen der postoperativen Betreuung werden auf der operativen Intensivstation (OP Intensivstation 2) im Laufe eines Jahres ca. 300 Kinder nach Eingriffen mit Herz-Lungen-Maschine behandelt. Kinder, die sich derart großen Eingriffen unterziehen müssen, leiden an unterschiedlichen Problemen, die sich aus der Anatomie des fehlgebildeten Herzens sowie den spezifischen kardiopulmonalen Veränderungen an der Herz-Lungen-Maschine ergeben. Insbesondere die folgenden pathophysiologischen Veränderungen werden von der Arbeitsgruppe Kinderherz untersucht:
Leitung: OA Dr. Wolfgang Puchner
Die Verabreichung einer Narkose ist unbestritten die Kernkompetenz von Anästhesistinnen und Anästhesisten. Nach heutigem modernem Verständnis einer Narkose ist diese eine dynamische, interaktive Auseinandersetzung mit vielen unterschiedlichen Faktoren. Eine Allgemeinanästhesie wird somit gesteuert, um jeder Patientin bzw. jedem Patienten eine individuell optimale Narkose ohne nachteilige Auswirkungen anbieten zu können. Denn eine zu oberflächliche Narkoseführung kann durch intraoperative Bewegung den Operationserfolg gefährden und zu intraoperativer Wachheit mit schweren psychischen Langzeitfolgen führen. Zu tiefe Narkosen bedeuten wiederum Unwirtschaftlichkeit, neben der Tatsache einer Fehldosierung von Medikamenten samt Nebenwirkungen, und werden mit verlängerter Aufwachzeit und kurz- als auch langfristig negativen Auswirkungen in der kognitiven Wiederherstellung in Zusammenhang gebracht. So wird jede Anästhesistin/jeder Anästhesist bemüht sein, Narkosemittel aufgrund von klinischen Kriterien, Erfahrungen, Empfehlungen und Einflüssen im Umfeld so zu verabreichen, dass eine individuelle situationsspezifische adäquate (optimale) Narkosetiefe gewährleistet ist.
Die Narkosetiefe wird zurzeit überwiegend subjektiv anhand klinischer Parameter (Patientenreaktionen – PRST score) beurteilt. Dazu zählen somatische Reaktionen der Patientin oder des Patienten wie Bewegung, Husten, Grimassieren oder Augenöffnen, aber auch autonome Zeichen wie Änderungen des Blutdrucks und der Herzfrequenz, Schwitzen oder Tränen.
An objektiven Methoden stehen uns schon seit Jahrzehnten Verfahren über die Analyse von Hirnströmen zur Verfügung. Dieses Monitoring hat es bislang dennoch nicht geschafft als Standard der Überwachung der Narkosetiefe im anästhesiologischen Alltag Eingang zu finden. Im Umfeld eines wachsenden Bewusstseins gegenüber den Risiken nicht nur einer zu flachen, sondern auch einer zu tiefen Narkoseführung, scheinen prozessiertes EEG-Monitoring (Schlaftiefe durch BIS®, Narkotrend®) als Unterstützung in der Gewährleistung einer bestmöglich individuell auf die Patientin bzw. den Patienten abgestimmten Narkosesteuerung mehr Geltung zu bekommen.
Aus Untersuchungen ist bekannt, dass in klinisch relevanter Häufung die subjektive Einschätzung der Narkosetiefe nur begrenzt im Einklang mit Daten aus objektiven Untersuchungsmethoden zur Narkosetiefe wie BIS® oder Narcotrend® steht. In Studien wurde auch die korrigierende Einflussnahme dieser Schlaftiefe-Monitore auf die Arbeitsweise von Anästhesistinnen und Anästhesisten beobachtet. Eine Reduktion des Anästhetikaverbrauchs und die Verkürzung von Narkoseausleitungen stehen dabei im Vordergrund. Die Datenlage zu Auswirkungen auf Verhinderung von intraoperativer Wachheit, postoperativem Delir und kognitiver Dysfunktionen durch EEG-gesteuerte Narkoseführung ist widersprüchlich.
Mitglieder: Dr. Matthias Noitz, Dr. Johannes Szasz, Dr. Christine Schlömmer, Dr. Thomas Tschöllitsch, OA PD Dr. Martin Dünser
Die Notfallmedizin ist ein wichtiger medizinischer Schwerpunkt unserer Universitätsklinik. Entsprechend kommt auch der notfallmedizinischen Forschung ein besonderer Stellenwert zu. Die Arbeitsgruppe Notfallmedizin befasst sich mit Forschungsfragen im Bereich der präklinischen und innerklinischen Notfallmedizin. So werden zum Beispiel Daten, welche von unseren Notarztmitteln gesammelt wurden, zu wissenschaftlichen Zwecken (z.B. Outcomeforschung nach kardiopulmonaler Reanimation) ausgewertet. Ein besonderes Forschungsinteresse besteht für die Bedeutung der klinischen Beurteilung von Notfallpatientinnen und -patienten. So versucht die Arbeitsgruppe Notfallmedizin den prädiktiven Wert der klinischen Ersteinschätzung der Notfallpatientin bzw. des Notfallpatienten zu untersuchen und damit die Frage zu beantworten, welche validen Informationen vom ersten Eindruck einer Notfallpatientin bzw. eines Notfallpatienten für den weiteren Behandlungsverlauf abgeleitet werden können. Ein weiterer Forschungsschwerpunkt liegt bei der wissenschaftlichen Aufarbeitung moderner bzw. invasiver Behandlungskonzepte, wie zum Beispiel der extrakorporalen kardiopulmonalen Reanimation (Link). Hierzu nimmt unsere Universitätsklinik an einer multizentrischen Registerstudie teil.
Das Medical Cognitive Computing Centre (MC3) der Universitätsklinik für Anästhesiologie und Operative Intensivmedizin ist an der Johannes Kepler Universität angesiedelt und arbeitet eng dem Institut für Machine Learning und dem Institut für Signalverarbeitung zusammen. Ziel des MC3 ist die Erforschung und Anwendung von Methoden der künstlichen Intelligenz zur Verbesserung der Patientenversorgung.
Im Zuge von stationären oder ambulanten Aufenthalten werden medizinische Daten aufgezeichnet und gespeichert. Zusammenhänge zwischen dieser Vielzahl von Daten sind zurzeit nur schwer auszuwerten, eine automatisierte Analyse mit traditionellen Informationsverarbeitungsalgorithmen ist nicht möglich. Diese medizinische Daten enthalten jedoch wertvolle Informationen, Zusammenhänge und Wissen, welches trotz der heutigen potentiellen Möglichkeiten oftmals völlig ungenutzt bleibt. Durch eine kontinuierliche wissenschaftliche Begleitung und den Einsatz von neuartigen Methoden im Bereich der künstlichen Intelligenz sollen diese Daten einerseits für die optimale individuelle Patientenversorgung und andererseits für eine nachhaltige Versorgungsforschung nutzbar gemacht werden. Mitarbeiterinnen und Mitarbeiter des Medical Cognitive Computing Center (MC3) entwickeln ein Analyse-Zentrum für medizinische Versorgungsforschung und Patientenversorgung, welches im Kern auf Technologien der künstlichen Intelligenz basiert. Die Grundlage bilden die im Kepler Universitätsklinikum gesammelten Daten. Daraus soll mit den Methoden der Medizin und des maschinellen Lernens eine medizinische Wissensbasis entstehen, die derzeit einzigartig in Europa ist. Das Ziel ist die wissenschaftliche Begleitung der optimalen Patientenversorgung durch den Einsatz von neuartigen Methoden im Bereich der Künstlichen Intelligenz. Daher gibt es querschnittsmäßig einen klinischen (Patientenversorgung) und einen wissenschaftlichen Schwerpunkt (Versorgungsforschung). Dazu werden die Methoden der künstlichen Intelligenz und Medizin interdisziplinär zusammengeführt, um auf Basis von Gesundheitsdaten medizinische Aufgabenstellungen zu lösen.
Mitglieder: DI Carl Böck, Univ.-Prof. Dr. Jens Meier
Bei nahezu allen Patientinnen und Patienten, die im Rahmen eines stationären Aufenthaltes mit Hilfe von Monitoringsystemen überwacht werden müssen, wird ein Elektrokardiogramm abgeleitet. In den allermeisten Fällen ermöglichen moderne Überwachungsmonitore damit sowohl eine Kontrolle des Rhythmus als auch eine rudimentäre Beurteilung eventuell vorhandener Veränderung der Morphologie des EKG-Signales, was unter Umständen Hinweise auf myokardiale Ischämien liefern kann. Allerdings erlaubt eine visuelle Auswertung der dargestellten Signale nur in den wenigsten Fällen eine sichere und sensitive Detektion von neu aufgetretenen Pathophysiologien. Diese grundsätzliche Einschränkung könnte sich in den nächsten Jahren durch die Anwendung moderner Verfahren aus dem Gebiet der Signalverarbeitung deutlich verbessern. Während bei der rein optischen Überwachung des EKGs eine sichere Zuordnung der Kennzeichen einer myokardialen Ischämie im klinischen Alltag nur schwer möglich ist, könnten automatisierte Algorithmen eventuell zu einer deutlich verbesserten Diagnostik von Veränderungen der Morphologie des EKGs führen.
Bisher verwendete Algorithmen beschränken sich im Wesentlichen auf die Erkennung von Veränderungen der ST-Strecke und einzelner Zeiten der unterschiedlichen Bestandteile des EKG-Signals. Moderne Verfahren, wie zum Beispiel Veränderungen in Parametern der Herzfrequenzvariabilität sowie der sogenannten "Wavelet Analyse", könnten darüber hinaus einen wesentlichen Beitrag zur automatisierten Analyse liefern. Im Rahmen der Studien unserer Arbeitsgruppe wird an unterschiedlichen Patientenpopulationen untersucht, ob es möglich ist, Veränderungen, die im Verlauf von unterschiedlichen Erkrankungen auftreten, anhand von automatisierten Verfahren zu erkennen. Hierzu ist es notwendig, sowohl bei Patientinnen und Patienten, bei denen die entsprechende Pathologie nicht vorliegt, als auch bei jenen, bei denen die spezifische Pathologie vorliegt, Signale aufzuzeichnen und diese im weiteren Verlauf miteinander zu vergleichen. Ziel ist es hierbei, Werkzeuge zu entwickeln, mit deren Hilfe es möglich ist, eine Diskriminierung in „pathophysiologisch verändert“ oder „noch gesund“ zu ermöglichen. Im Zentrum des wissenschaftlichen Interesses sollen hierbei verschiedene Krankheitsbilder stehen. In ersten Untersuchungen wird vor allem auf Änderungen des Volumenstatus, auf Veränderungen während myokardialer Hypoxie und auf Veränderungen bei unterschiedlichen inflammatorischen Erkrankungen, insbesondere der Sepsis, fokussiert.
Mitglieder: DI Carl Böck, Dr. Thomas Tschöllitsch, Univ.-Prof. Dr. Jens Meier
Die Individualität der einzelnen Patientin bzw. des einzelnen Patienten und die spezifische Ausprägung ihrer bzw. seiner Erkrankung macht eine möglichst personalisierte, adaptierte Behandlung unter sorgfältiger Einbeziehung der individuellen Gegebenheiten und Voraussetzungen notwendig.
Hiervon ist ganz entscheidend der Erfolg der meisten Therapien abhängig: während für die eine Patientin bzw. den einen Patienten eine therapeutische Maßnahme lebensrettend sein kann, ist es aber für eine andere oder einen anderen durchaus auch möglich, dass dieselbe Maßnahme nicht zum erwünschten Erfolg führt. Die Gründe hierfür sind vielfältig, und können oft nicht monokausal determiniert werden, sodass die Entscheidung für oder gegen einen therapeutischen Ansatz oftmals schwerfällt. Allerdings schließt dies nicht aus, dass das individuelle Nutzen-/Risikoprofil der einzelnen Patientin bzw. des einzelnen Patienten nicht doch prinzipiell vorhergesagt werden kann, wenn die Zusammenhänge einzelner Risikofaktoren bekannt sind. Die große Anzahl unterschiedlicher potentieller Faktoren, die sich gegenseitig beeinflussen, macht das Abschätzen eines individuellen Risikos ohne zusätzliche Hilfsmittel aber extrem komplex.
Mit Hilfe moderner „Machine Learning Tools“ könnte es jedoch möglich sein, genau diese Zusammenhänge einer einzelnen Patientin bzw. eines einzelnen Patienten zu bestimmen. „Machine Learning Tools“ sind mathematische Methoden, die nach dem Prinzip der Generierung von Wissen aus Erfahrung arbeiten. Ein künstliches System lernt aus Beispielen und kann nach Beendigung der Lernphase verallgemeinern. Das heißt, es werden nicht einfach die Beispiele auswendig gelernt, sondern es erkennt Gesetzmäßigkeiten in den Lerndaten. Die Besonderheit des Systems besteht darin, dass die Vorhersage nicht nur von den einzelnen Parametern abhängt, sondern auch die individuelle Interaktion der einzelnen Parameter berücksichtigt wird, und somit eine individuelle Vorhersage im Einzelfall getätigt werden kann. So könnte es beispielsweise möglich sein, aus typischen, präoperativ erhobenen Vitalparametern und Risikofaktoren mit Hilfe unterschiedlicher „Machine Learning“ Algorithmen ein individuelles perioperatives Mortalitätsrisiko für die einzelne Patientin bzw. den einzelnen Patienten abzuleiten.
Das Ziel unserer Arbeitsgruppe ist es, konkrete klinische Situationen für derartige „Machine Learning“ Algorithmen zu identifizieren, diese entsprechend dem jeweiligen Umfeld zu entwickeln, auf ihre Validität zu testen und in weiterer Folge in den klinischen Alltag zu integrieren. Für den Erfolg dieser Ansätze ist eine enge Zusammenarbeit von Vertreterinnen und Vertretern aus Informatik, Mathematik und Medizin notwendig.