Entwicklung eines Machine-Learning-Modells zur individuellen Risikoeinschätzung eines Extubationsversagens bei chirurgischen Intensivstationspatienten

• Antragstellerin: Dr. Sabine Friedrich
• Fachliche Zuordnung: Anästhesiologie ; Epidemiologie und Medizinische Biometrie/Statistik ; Medizininformatik und medizinische Bioinformatik
• Förderung: Förderung von 2023 bis 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 531886557

Auf Intensivstationen werden Patienten aus verschiedenen Gründen intubiert und beatmet. Bei längerer künstlicher Beatmung kann es zu diversen Komplikationen kommen, wie zum Beispiel einer ventilator-assoziierten Pneumonie. Wird ein Patient jedoch zu früh extubiert und es ist eine Reintubation notwendig, findet diese meistens unter suboptimalen Bedingungen statt und geht ebenfalls mit einem erhöhten Komplikationsrisiko einher. Beide Szenarien können zu längeren Intensivstationsaufenthalten und einer erhöhten Mortalität führen. Die Entscheidung, wann der optimale Zeitpunkt für die Extubation eines beatmeten Intensivpatienten ist, hängt von vielen unterschiedlichen Faktoren ab. Risikofaktoren für ein Extubationsversagen können von Patient zu Patient und für Patienten unterschiedlicher Fachdisziplinen stark variieren. Das Ziel des Forschungsaufenthaltes ist es, unter Anwendung von Machine-Learning-Methoden ein Modell zur Vorhersage des Risikos eines Extubationsversagens zu entwickeln. Dieses Modell soll auf einer chirurgischen Intensivstation die Entscheidung für oder gegen die Extubation eines beatmeten Patienten unterstützen. Außerdem soll das Modell dabei helfen, die Faktoren zu identifizieren, die bei einem individuellen Patienten am stärksten zu einem hohen Risiko beitragen. Dadurch können die weiteren Therapieentscheidungen individuell angepasst werden, mit dem Ziel sowohl ein Extubationsversagen als auch eine unnötig lange künstliche Beatmung zu vermeiden. Die Entwicklung eines Vorhersagemodells, das speziell für chirurgische Intensivstationspatienten ausgelegt ist, ermöglicht die Integration von spezifischen Risikofaktoren, die andere Patienten nicht betreffen. In einer allgemeinen intensivmedizinischen Patientenpopulation könnten beispielsweise Risikofaktoren wie die Dauer der Operation und chirurgische Komplikationen nicht berücksichtigt werden.

• DFG-Verfahren: WBP Stipendium
• Internationaler Bezug: USA
• Gastgeber: Dr. Leo Anthony Celi