KI-basierte Prognose auf der Intensivstation: Entscheidungsrelevante Muster in EEG von Komapatienten identifiziert

Zuverlässige Prognosen bei Komapatienten auf der Intensivstation sind essentiell. Künstliche Intelligenz (KI) zur Unterstützung der Prognosestellung wird an Bedeutung gewinnen, wenn deren Transparenz verbessert werden kann. Erstmals ist es nun einem Forschungsteam gelungen, bestimmte Muster zu identifizieren, die das Deep-Learning-Netzwerk seinen Prognose-Entscheidungen aufgrund von Elektroenzephalogramm(EEG)-Analysen zugrunde legt. Damit ist ein wichtiger Schritt zur Entschlüsselung der „Black Box“ des Deep-Learning-Prozesses und damit zur Transparenz der KI getan.

Die Mehrheit der Sterbefälle von Komapatienten nach Herzstillstand auf Intensivstationen erfolgen nach Abbruch der Lebenserhaltungsmaßnahmen. Als Prognoseinstrument dient unter anderem das EEG. Mehrere Arbeiten weisen darauf hin, dass mittels KI zuverlässige Prognosen gestellt werden können, welche entscheidende Ärzte unterstützen. Eine verbreitete Zurückhaltung gegenüber KI-Prognosen ist unter anderem darauf zurückzuführen, dass bisher die Deep-Learning-Netzwerke keinen Hinweis darauf gaben, welche Informationen ihren Entscheidungen zugrunde lagen und somit nicht klar war, welche Sachverhalte zu einer bestimmten Prognose führten.

Durchbruch bei der Interpretation von Elektroenzephalogrammen

Einem multidisziplinären Forschungsteam aus dem Schlaf-Wach-Epilepsie-Zentrum (SWEZ) der Universitätsklinik für Neurologie des Inselspitals (F. Zubler), der Computer Vision Group des Instituts für Informatik der Universität Bern (S. Jonas, S. Jenni, und P. Favaro) sowie der Kliniken für Neurologie (A. Rossetti) und Intensivmedizin (M. Oddo) des Lausanner Centre hospitalier universitaire vaudois (CHUV) ist es nun gelungen, wichtige, entscheidungsrelevante Muster im EEG von Komapatienten zu identifizieren. Das Team legte seinen Studien klinische Standard-EEG-Aufzeichnungen von 267 Erwachsenen aus dem CHUV zugrunde.
Ein Neuronales Netzwerk (Convolutional Neural Network CNN) analysierte die EEGs in der frühen Betreuungsphase nach dem Herzstillstand. Mit Hilfe einer speziellen Visualisierungsmethode, dem GradCAM-Algorithmus, wurden darauf diejenigen Bereiche der EEGs identifiziert, die das CNN für seine positiven oder negativen Prognosen verwendet hatte.

Fachleute und KI verwenden gleiche Muster

Der Studienleiter Dr. F. Zubler betont: „Für die ärztliche Tätigkeit auf der Intensivstation werden KI-unterstützte Entscheide in Zukunft immer wichtiger. Wenn wir diese Unterstützung transparent und nachvollziehbar machen, können wir auch in ethischer Hinsicht solidere Entscheide fällen.“ Ein zentrales Resultat der Studie war: die gewählte Visualisierungsmethode konnte einen Teil des Deep-Learning-Prozesses entschlüsseln. Bestimmte EEG-Muster konnten identifiziert werden, welche die Maschine ihren Entscheidungen zugrunde legte. Interessanterweise verwendet KI oft die gleichen Muster, die die Neurologen bei Prognose-Entscheiden in der klinischen Tätigkeit verwenden.

KI wird bei Entscheidungen auf der Intensivstation immer wichtiger

Laut Mitteilung des Universitätsspital Bern zeigt die Studie, dass KI weiter an Bedeutung gewinnen könne. Dank des neuen Ansatzes könne mehr Transparenz in die Deep-Learning-Anwendungen gebracht werden, indem die Prognosewerte neu auf einer nachvollziehbaren Erklärung beruhen. Dies sei auch für die ethische Ebene der gefällten Entscheidungen von größter Bedeutung.