{"id":17969,"date":"2023-04-05T11:33:11","date_gmt":"2023-04-05T09:33:11","guid":{"rendered":"https:\/\/www.smith.care\/?p=17969"},"modified":"2025-09-30T16:44:35","modified_gmt":"2025-09-30T14:44:35","slug":"virtueller-patient","status":"publish","type":"post","link":"https:\/\/www.smith.care\/de\/2023\/04\/05\/virtueller-patient\/","title":{"rendered":"Von Virtuellen Patienten und K\u00fcnstlicher Intelligenz auf der Intensivstation"},"content":{"rendered":"\n

5 Fragen an\u2026 Konstantin Sharafutdinov, wissenschaftlicher Mitarbeiter in ASIC<\/strong><\/p>\n\n\n\n

Die aktuell rasanten Entwicklungen in K\u00fcnstlicher Intelligenz (KI) und Maschinellem Lernen bergen gro\u00dfes Potenzial f\u00fcr die Optimierung der Intensivmedizin. Beispielsweise k\u00f6nnen diese Technologien genutzt werden, um Krankheitsverl\u00e4ufe vorherzusagen und damit Verschlimmerungen vorzubeugen. In der praktischen Anwendung von KI auf der Intensivstation gibt es allerdings noch immer einige Herausforderungen: F\u00fcr das Training entsprechender Vorhersagemodelle werden gro\u00dfe Datenmengen aus unterschiedlichen Quellen ben\u00f6tigt. Da sich die Datenstrukturen zwischen den Krankenh\u00e4usern jedoch oft stark unterscheiden, kann es zu Verzerrungen in der Vorhersage kommen. An der Uniklinik RWTH Aachen hat sich eine Forschungsgruppe unter der Leitung von Prof. Dr. Andreas Schuppert, Professor am Institut f\u00fcr Computational Biomedicine an der RWTH Aachen University, dieser Problematik angenommen. Die Forschungsgruppe hat Virtuelle Patienten modelliert, die unabh\u00e4ngig vom Krankenhaus spezifische Merkmale von Patientenzust\u00e4nden erfassen k\u00f6nnen. Erprobt wurde das Virtuelle Patientenmodell mit Hilfe von Daten zu akutem Lungenversagen (ARDS) aus dem ASIC-Use Case des SMITH-Konsortiums. Aus den Arbeiten dieser Forschungsgruppe entstand eine Publikation<\/a>, die im Februar 2023 im IEEE Open Journal of Engineering in Medicine and Biology ver\u00f6ffentlicht wurde. Erstautor ist Konstantin Sharafutdinov, der von 2018 bis Februar 2023 als Doktorand im SMITH-Konsortium t\u00e4tig war.<\/em><\/p>\n\n\n\n

Im Interview mit ihm erfahren Sie, wie der virtuelle Patient KI-Technogien auf der Intensivstation unterst\u00fctzen kann und wie die Zukunft der K\u00fcnstlichen Intelligenz in der Medizin aussehen k\u00f6nnte.<\/em><\/p>\n\n\n\n

Sie haben einen Master in Physik und schreiben Ihre Doktorarbeit zum Thema K\u00fcnstliche Intelligenz (KI). Was hat Ihr Interesse an diesem Thema geweckt?<\/strong><\/p>\n\n\n\n

Meine Interessen waren schon immer interdisziplin\u00e4r. In meinem Bachelor habe ich grundlegende Kenntnisse in Mathe und Physik gesammelt. Dort habe ich bereits einen ersten Einblick in die Welt des maschinellen Lernens bekommen. Meine Bachelorarbeit habe ich in einem Bioinformatiklabor geschrieben. Wir haben damals Genome von Bakterien von Patientinnen und Patienten und gesunden Menschen miteinander verglichen und die Unterschiede beschrieben. Da habe ich mich das erste Mal mit datenbasierten Methoden befasst. Nach meinem Master in Biophysik habe ich nach einer Doktorarbeit gesucht, in der ich diese beiden Welten, Biophysik und maschinelles Lernen, miteinander kombinieren kann. In der Forschungsgruppe von Professor Andreas Schuppert, die im Rahmen des ASIC-Projekts im SMITH-Konsortium gegr\u00fcndet wurde, habe ich diese M\u00f6glichkeit dann bekommen. Es ging damals um die Modellierung eines virtuellen Patienten f\u00fcr die Unterst\u00fctzung von KI-gest\u00fctzten Methoden. Wir wollten den virtuellen Patienten und Deep Learning zusammenbringen, um eine fr\u00fchzeitige ARDS-Diagnose zu erreichen.<\/p>\n\n\n\n

Sie hatten eben den virtuellen Patienten erw\u00e4hnt. Was genau ist ein virtueller Patient und wie kann dieser bei der Entwicklung von KI-Anwendungen unterst\u00fctzen?<\/strong><\/p>\n\n\n\n

Der virtuelle Patient ist ein Modell, das anhand von Gleichungen bestimmte Zust\u00e4nde von Patientinnen und Patienten beschreiben kann. Beispielsweise lassen sich das Herzkreislauf- oder das Beatmungssystem mit Gleichungen darstellen. Bringt man diese Gleichungen zusammen, l\u00e4sst sich ein Modell draus bauen, das Variablen produziert, die auch auf der Intensivstation gemessen werden k\u00f6nnen, z. B. die Sauerstoffs\u00e4ttigung. Als Parameter werden in dieses Modell unbekannte Eigenschaften von der Patientin oder dem Patienten eingebaut, beispielsweise die Anzahl von geschlossenen Kompartimenten (Bereichen) in der Lunge w\u00e4hrend des ARDS. Diese modelliert die Pathophysiologie des ARDS. Das Modell soll Ergebnisse produzieren, die auch in den realen Daten existieren. Daf\u00fcr versuchen wir Parameter f\u00fcr einen virtuellen Patienten zu finden, die den Unterschied zwischen den gemessenen Daten des realen Patienten und den Ergebnissen des Simulators so klein wie m\u00f6glich machen. Wir erwarten, dass diese Parameter dann hilfreich sind, um den Zustand der realen Patientinnen und Patienten ann\u00e4hrend abzubilden. Anstatt der gemessenen Daten k\u00f6nnen wir dann die Daten aus dem Modell nutzen, um die Entwicklung von ARDS zu verfolgen. Diese Daten k\u00f6nnen hinterher zur Entwicklung von KI-Systemen zur fr\u00fchzeitigen Diagnose von ARDS verwendet werden.<\/p>\n\n\n\n

Wieso ist es n\u00fctzlich, f\u00fcr KI-gest\u00fctzte Vorhersagesysteme Daten aus dem virtuellen Patientenmodell zu nutzen und nicht die realen Daten der Patientin oder des Patienten?<\/strong><\/p>\n\n\n\n

Wenn wir ein Modell basierend auf einem bestimmten Datensatz entwickeln, dann lernt das Modell die Datenverteilung von genau diesem Datensatz. Wenn ein anderer Datensatz, den wir in das Modell einspeisen, von dem Trainingsdatensatz abweicht, dann wird die Leistung des Vorhersagemodells schw\u00e4cher. Das ist speziell in der Intensivmedizin ein Problem, weil die Daten aus verschiedenen Krankenh\u00e4usern unterschiedlich strukturiert sind. Daf\u00fcr gibt es viele Gr\u00fcnde, z. B. unterschiedliche Aufnahmestrategien, Behandlungsstrategien und gemessene Ausgangswerte der Patientinnen und Patienten. Das hei\u00dft, wenn wir nur ein Krankenhaus als Standard nutzen, um ein Modell zu entwickeln, dann lernt das Modell die Merkmale des Zustands in diesem Krankenhaus und nicht die allgemeinen Eigenschaften des Zustands. Bei diesem Problem kommt der virtuelle Patient ins Spiel.
In unserer Studie haben wir f\u00fcr 1000 reale Patientinnen und Patienten mit Verdacht auf ARDS aus vier Krankenh\u00e4usern jeweils einen virtuellen Patienten erstellt. Die gemessenen Realdaten und die Daten aus den Virtuellen Patienten haben wir nach Patientinnen und Patienten mit \u00e4hnlichen Eigenschaften automatisch gruppieren lassen. Das Ergebnis: Die Originaldaten aus den Krankenh\u00e4usern haben sich nach Krankenhaus sortiert. Wurden die Daten von dem virtuellen Patienten gruppiert, konnte eine separate Patientengruppe mit diagnostiziertem ARDS gefunden werden. Die Unterschiede zwischen den Daten aus den unterschiedlichen Krankenh\u00e4usern wurden also kleiner. Dieses Ergebnis zeigt, dass Parameter aus dem virtuellen Patienten dazu beitragen k\u00f6nnen, die Generalisierbarkeit von KI-Modellen zu erh\u00f6hen. <\/p>\n\n\n\n

Welche Rolle werden K\u00fcnstliche Intelligenz und Machine Learning in der Intensivmedizin zuk\u00fcnftig spielen?<\/strong><\/p>\n\n\n\n

Ich denke, KI und Machine Learning werden in Zukunft keine entscheidende aber eine wichtige Rolle spielen \u2013 besonders bei der Unterst\u00fctzung von \u00c4rztinnen und \u00c4rzten. In der Forschungsgruppe haben wir uns die kritischen Zust\u00e4nde Sepsis und ARDS angeguckt, die f\u00fcr Patientinnen und Patienten sehr gef\u00e4hrlich sind. Bei der Entwicklung von solchen Zust\u00e4nden kommt es auf Stunden oder einen Tag an. Werden diese nur ein paar Stunden fr\u00fcher erkannt, k\u00f6nnen so viele Patientinnen und Patienten gerettet werden. Da sehe ich das Potenzial von unseren Modellen. Sie k\u00f6nnen wie klinische Entscheidungsunterst\u00fctzungssysteme f\u00fcr die fr\u00fchzeitige Identifizierung und Vorhersage verwendet werden. Diese Tools k\u00f6nnen \u00c4rztinnen und \u00c4rzten helfen, die Aufmerksamkeit auf diejenigen Patientinnen und Patienten zu richten, die beispielsweise innerhalb einer Stunde Sepsis entwickeln k\u00f6nnten.
Zweitens entwickelt sich die Medizin derzeit in Richtung personalisierte Medizin. Ich erwarte, dass KI-Methoden uns erm\u00f6glichen werden, individuell auf die Patientin oder den Patienten zugeschnittene, zielgerichtete Ma\u00dfnahmen zur richtigen Zeit zu ergreifen. Wir d\u00fcrfen dabei jedoch nicht vergessen, dass am Ende immer die \u00c4rztinnen und \u00c4rzte die letzte Entscheidung \u00fcber die n\u00f6tigen Ma\u00dfnahmen treffen werden. Unsere KI-Tools werden nur der Entscheidungsunterst\u00fctzung<\/em> dienen, aber ich denke, sie werden die echten \u00c4rztinnen und \u00c4rzte niemals ersetzen.<\/p>\n\n\n\n

Bitte beenden Sie folgenden Satz: Die Forschung im SMITH-Konsortium hilft bei der Verbesserung der Patientenversorgung, weil… <\/strong><\/p>\n\n\n\n

sie Expertinnen und Experten aus verschiedenen Bereichen zusammenbringt, um greifbare innovative Ergebnisse zum Wohle von Patientinnen und Patienten zu erzielen.<\/p>\n","protected":false},"excerpt":{"rendered":"

KI und Maschinelles Lernen k\u00f6nnen die Intensivmedizin optimieren, z.\u202fB. Krankheitsverl\u00e4ufe vorhersagen. Der ehemalige SMITH-Doktorand Konstantin Sharafutdinov erkl\u00e4rt im Interview, wie virtuelle Patienten dabei helfen.<\/p>\n","protected":false},"author":14,"featured_media":18006,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[41],"tags":[],"class_list":["post-17969","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-5-fragen-an"],"_links":{"self":[{"href":"https:\/\/www.smith.care\/de\/wp-json\/wp\/v2\/posts\/17969","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.smith.care\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.smith.care\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.smith.care\/de\/wp-json\/wp\/v2\/users\/14"}],"replies":[{"embeddable":true,"href":"https:\/\/www.smith.care\/de\/wp-json\/wp\/v2\/comments?post=17969"}],"version-history":[{"count":9,"href":"https:\/\/www.smith.care\/de\/wp-json\/wp\/v2\/posts\/17969\/revisions"}],"predecessor-version":[{"id":25338,"href":"https:\/\/www.smith.care\/de\/wp-json\/wp\/v2\/posts\/17969\/revisions\/25338"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.smith.care\/de\/wp-json\/wp\/v2\/media\/18006"}],"wp:attachment":[{"href":"https:\/\/www.smith.care\/de\/wp-json\/wp\/v2\/media?parent=17969"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.smith.care\/de\/wp-json\/wp\/v2\/categories?post=17969"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.smith.care\/de\/wp-json\/wp\/v2\/tags?post=17969"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}