Technik/Medizin Algorithmus erkennt Fehlalarme im Spital

Auf Intensivstationen schlagen Messgeräte sehr häufig falschen Alarm. Damit sich das Personal auf die echten Notfälle konzentrieren kann, haben Zürcher Forschende einen lernenden Algorithmus geschaffen, der falsche und echte Alarme unterscheiden kann.

Forscher der ETH Zürich und der neurochirurgischen Intensivsstation des Universitätsspitals Zürich haben in einer Machbarkeitsstudie einen Algorithmus getestet, der Fehlalarme erkennen kann. Dafür griffen sie auf einen umfangreichen Datensatz des Spitals zu Alarmen und den Vitalfunktionen von Patienten zurück, wie die ETH am Mittwoch mitteilte.

Üblicherweise funktionieren die verschiedenen Geräte zur Überwachung und Unterstützung der Vitalfunktionen, beispielsweise Kreislaufüberwachung und künstliche Beatmung, unabhängig voneinander. So auch auf der Neurochirurgischen Intensivstation des Unispitals Zürich. Jedes Messgerät schlägt auch unabhängig von den anderen Alarm, wenn ein bestimmter Schwellenwert unter- oder überschritten wird.

Der Datensatz enthielt - mit Zustimmung der Patienten - die Messungen ihrer Vitalfunktionen in hoher zeitlicher Auflösung. So konnten die Wissenschaftler um Walter Karlen von der ETH diese Messungen kombinieren, synchronisieren und mit den ebenfalls gespeicherten Alarmen abgleichen. Mit dieser Datengrundlage fuhren sie weiter, um ihren lernenden Algorithmus "auszubilden".

Training mit wenigen Vorlagen

Üblicherweise brauchen lernende Algorithmen eine relativ grosse Menge bereits klassifizierter Daten als Vorlage, um eine Klassifikation zu lernen. In diesem Fall also viele vom Personal als relevant oder nicht-relevant eingestufte Alarme. Auf einer Intensivsstation hat das Personal jedoch kaum Zeit, die vielen ausgelösten Alarme zu bewerten und den Algorithmus so zu "trainieren".

Das Besondere der von Karlen und seinem Team entwickelten Systems ist jedoch, dass es nur wenige vom Personal beurteilte Alarme braucht, um die Klassifizierung zu lernen, schrieb die ETH. Die Forscher nutzten Vitalparameter und Alarme von 14 Patienten, die über mehrere Tage gesammelt wurden. Im Durchschnitt gab es täglich knapp 700-mal Alarm pro Patient, also durchschnittlich alle zwei Minuten. Insgesamt kamen 14'000 Alarme zusammen.

Obwohl nur 1800 (also 13 Prozent) davon manuell als medizinisch relevant oder nicht-relevant beurteilt wurden, konnte der Algorithmus die restlichen Alarme anhand dieser Information ebenfalls klassifizieren. Erlaubten die Wissenschaftler dem Algorithmus eine Fehlerquote von fünf Prozent, sortierte er 77 Prozent aller Fehlalarme aus. Auch mit nur 25 oder 50 "Vorlagen" lernte der Algorithmus bereits, den Grossteil der Fehlalarme auszusortieren.

Ihre Ergebnisse stellten die Forschenden im Rahmen einer internationalen Konferenz für Maschinelles Lernen vor. Zwar bewertete das System in dieser Machbarkeitesstudie die Daten nur rückblickend, in einem weiteren Schritt wollen die Wissenschaftler dessen Fähigkeiten jedoch auch in Sachen Vorhersage prüfen.