61. Jahrgang - März 2020
Die Zukunft hat schon begonnen [1] Wie maschinelles Lernen Anästhesie und Intensivmedizin prägt
Künstliche Intelligenz ist aus der modernen Medizin nicht mehr wegzudenken. Gerade in Anästhesie und Intensivmedizin, wo häufig elektronische Patientendatenmanagementsysteme eingesetzt werden, führen wachsende Speicherkapazitäten und neue Möglichkeiten der Datenverarbeitung dazu, dass immer größere Datenmengen erhoben und analysiert werden.
Um maschinelles Lernen darauf anwenden zu können, müssen Daten nicht nur einfach gespeichert, sondern auch leicht zugänglich, von verschiedenen Systemen zu bearbeiten und wiederholt zu benutzen sein. Als Analysemethoden werden verschiedenste Verfahren des überwachten und unüberwachten Lernens angewendet. Auf diese Art und Weise erfolgen unter anderem die Hypothesengenerierung für randomisierte prospektive Studien, die Analyse seltener Komplikationen, die Risikoberechnung oder die Entwicklung von Entscheidungsunterstützungssystemen. Dieser Artikel soll eine Übersicht über Methoden und Anwendungsbereiche maschinellen Lernens in der Anästhesiologie und Intensivmedizin geben. Darüber hinaus soll aufgezeigt werden, welche Probleme mit den neuen Technologien verbunden sein können und wie man sie lösen kann. Ziel der Anwendung von maschinellem Lernen in der Anästhesiologie und Intensivmedizin wie auch in anderen Fachgebieten der Medizin ist, durch eine personalisierte Medizin Komplikationen zu vermeiden und die Behandlungsqualität zu steigern.
Artificial intelligence has become an everyday part of modern medicine. Increasing storage capacity and new ways of processing data are leading to ever increasing quantities of data being collected and analysed, especially in the areas of anaesthesia and intensive care medicine, both of which commonly use electronic patient data management
systems. Being able to use machine learning on this data requires that it is not simply stored but readily found, accessible, interoperable and reusable in accordance with the FAIR-principles. Analysis utilises a variety of supervised and unsupervised learning methods leading, amongst other things, to hypotheses for prospective randomised trials, analysis of rare complications, risk stratification and development of decision support tools. The aim of this article is to provide an overview of methods and application of machine learning in anaesthesiology and intensive care medicine. In addition, potential pitfalls associated with the technology and possible solutions are discussed. In anaesthesiology and intensive care medicine – as in other areas of medicine – machine learning can help provide individualised care with the aim of avoiding complications and increasing the quality of care provided.