Entwicklung von Erkennungsalgorithmen
Fehlalarme auf Intensivstationen reduzieren
Fortsetzung des Artikels von Teil 2
Test auf Kammerflimmern
Zum Schluss wird auf Kammerflimmern oder -flattern getestet. Die Erkennung von Kammerflimmern stützt sich nicht auf QRS-Erkennungsergebnisse, da bei Kammerflimmern keine QRS-Komplexe vorhanden sind. Stattdessen führt die Rechenvorschrift mithilfe der Signal Processing Toolbox eine Kurzzeit-Fourier-Transformation mit einem sich bewegenden Fenster durch. Dabei wird auf Frequenzspitzen oberhalb 2 Hz geprüft, die ein Anzeichen für Kammerflimmern oder -flattern sind (Bild 4).
Auf der Suche nach einer Herangehensweise wurden Machine- Learning-Ansätze zur Klassifizierung von Arrhythmie in Betracht gezogen. Am Ende waren zwei Gründen für die klassische statistische Methode maßgebend: Zum einen, weil bereits bekannt war, welche Eigenschaften der Daten zur Bestätigung oder Ablehnung eines bestimmten Alarms verwendet werden konnten, und zum anderen, da Machine- Learning-Algorithmen sich typischerweise nur schwierig in Hardware integrieren lassen und eine komplexe Kalibrierung benötigen, was für die Verwendung auf Intensivstationen unerlässlich gewesen wäre.
Gewinn der »PhysioNet/CinC«
Nachdem die Algorithmen entwickelt und mit den durch die Organisatoren der PhysioNet/CinC bereitgestellten Trainingsdaten getestet wurden sowie nach der Feinabstimmung auf maximale Leistungsfähigkeit, wurden sie zur Beurteilung eingereicht. Bei der Anwendung auf die 500 Aufzeichnungen der Testdaten wurden 92 Prozent der ernstzunehmenden Alarme und 88 Prozent der Fehlalarme richtig erkannt. In der Echtzeit-Kategorie des Wettbewerbs erreichte die Erkennung die höchste Gesamtpunktzahl aller 244 eingereichten Algorithmen. In der Follow-up-Studie des Wettbewerbs waren die Ergebnisse noch besser. Wissenschaftlich publiziert wurde die Arbeit 2016 in Physiological Measurement, Volume 37, Ausgabe 8 [3].(-ll)
Portrait PhysioNet
PhysioNet wurde 1999 als die vom National Institute of Health (NIH), USA, gesponserte »Research Resource for Complex Physiologic Signals« gegründet und genießt hohes Ansehen unter den Daten- und Software-Ressourcen der Biomedizin. Das Datenarchiv PhysioBank ist das erste, weltweit größte, umfassendste und am meisten verwendete Archiv für zeitabhängige physiologische Signale und feinauflösende klinische Intensivstationsdaten. Die Software-Sammlung PhysioToolkit dient zur Forschung und quantitativen Analyse von PhysioBank und vergleichbaren Daten mit einer Vielzahl an gut dokumentierter und streng getesteter Open-Source-Software, die von allen Plattformen unterstützt wird. Das Entwicklungslabor PhysioNetWorks wurde 2011 gegründet und bietet eine Plattform für die Zusammenarbeit von Forschern, auf der sie ihre eigenen Daten und Software austauschen und unter sicheren Bedingungen weiterentwickeln können, bevor ihre Daten über PhysioNet öffentlich zugänglich gemacht werden.
Die Daten des PhysioNet-Archivs sind über das Internet zugänglich und wegen »ODC Public Domain Dedication and License v1.0« frei verfügbar. PhysioNet wird vom »National Institute of General Medical Sciences« (NIGMS) und dem »National Institute of Biomedical Imaging and Bioengineering« (NIBIB) des National Institutes of Health unter dem Förderkennzeichen 2R01GM104987-09 unterstützt.
Literatur
[1] S.T. Lawless, »Crying wolf: false alarms in a pediatric intensive care unit«, Crit Care Med 1994; 22 (6): 981-985.
[2] C.L. Tsien, J.C. Fackler, »Poor prognosis for existing monitors in the intensive care unit«, Crit Care Med, 25 (4) (1997), pp. 614-619 Apr Published 2016 – 93063v00
[3] http://iopscience.iop.org/article/10.1088/0967-3334/37/8/1313
Filip Plešinger
Institute of Scientific Instruments, Akademie der Wissenschaften, Tschechien
- Fehlalarme auf Intensivstationen reduzieren
- Ungültige Daten finden und eliminieren
- Test auf Kammerflimmern
