nach oben

Medizinische Klinik - Intensivmedizin und Notfallmedizin

Erschienen in:

28.03.2024 | Künstliche Intelligenz | Leitthema

Künstliche Intelligenz in der Intensivmedizin

verfasst von: Dr. André Baumgart, Prof. Dr. med. Grietje Beck, Dr. med. David Ghezel-Ahmadi

Erschienen in: Medizinische Klinik - Intensivmedizin und Notfallmedizin | Ausgabe 3/2024

Einloggen, um Zugang zu erhalten

Zusammenfassung

Die Integration von künstlicher Intelligenz (KI) in die Intensivmedizin zeigt in neuesten Studien besonders in den Bereichen der prädiktiven Analytik, der Früherkennung von Komplikationen und der Entwicklung von Entscheidungsunterstützungssystemen beachtliche Fortschritte. Die Hauptherausforderungen bestehen weiterhin in der Verfügbarkeit und Qualität der Daten, der Reduzierung von Verzerrungen und der Notwendigkeit erklärbarer Ergebnisse von Algorithmen und Modellen. Methoden zur Erklärung dieser Systeme sind essenziell, um Vertrauen, Verständnis und ethische Überlegungen bei Gesundheitsfachkräften und Patienten zu stärken. Eine fundierte Ausbildung des medizinischen Personals in KI-Prinzipien, Terminologie, ethischen Überlegungen und in der praktischen Anwendung ist für den erfolgreichen Einsatz von KI entscheidend. Die sorgfältige Bewertung der Auswirkungen von KI auf Patientenautonomie und Datenschutz ist unabdingbar für deren verantwortungsvolle Nutzung in der Intensivmedizin. Hierbei ist die Balance zwischen ethischen und praktischen Erwägungen zu wahren, um eine patientenzentrierte Versorgung bei gleichzeitiger Einhaltung von Datenschutzbestimmungen zu gewährleisten. Eine synergistische Zusammenarbeit zwischen Klinikern, KI-Ingenieuren und Regulierungsbehörden ist entscheidend, um das volle Potenzial der KI in der Intensivmedizin zu realisieren und ihre positive Wirkung auf die Patientenversorgung zu maximieren. Zukünftige Forschungs- und Entwicklungsanstrengungen sollten sich auf die Verbesserung von KI-Modellen für Echtzeitvorhersagen, die Steigerung der Genauigkeit und des Nutzens KI-basierter Closed-loop-Systeme sowie die Überwindung ethischer, technischer und regulatorischer Herausforderungen, insbesondere bei generativen KI-Systemen, fokussieren.

International Medical Device Regulators Forum (2021) Machine learning-enabled medical devices: a subset of AI-enabled medical devices: key terms and definitions. 16. Sept. 2021 (Vorgeschlagenes Dokument zur öffentlichen Konsultation veröffentlicht,)

OECD (2019) Recommendation of the Council on Artificial Intelligence. https://legalinstruments.oecd.org/en/instruments/OECD-LEGAL-0449

DeSalvo K (2023) The AI-assisted, mobile-first health care journey. Catalyst. https://doi.org/10.1056/CAT.23.0263CrossRef

Hashimoto DA, Witkowski E, Gao L, Meireles O, Rosman G (2020) Artificial intelligence in anesthesiology: current techniques, clinical applications, and limitations. Anesthesiology 132(2):379–394. https://doi.org/10.1097/ALN.0000000000002960CrossRefPubMed

Okada Y, Mertens M, Liu N, Lam SSW, Ong MEH (2023) AI and machine learning in resuscitation: Laufende Forschung, neue Konzepte und zentrale Herausforderungen. Resusc Plus 15:100435. https://doi.org/10.1016/j.resplu.2023.100435CrossRefPubMedPubMedCentral

Alfieri F et al (2023) Continuous and early prediction of future moderate and severe acute kidney injury in critically ill patients: development and multi-centric, multi-national external validation of a machine-learning model. PLoS ONE 18(7):e287398. https://doi.org/10.1371/journal.pone.0287398CrossRefPubMedPubMedCentral

Flechet M et al (2019) Machine learning versus physicians’ prediction of acute kidney injury in critically ill adults: a prospective evaluation of the AKIpredictor. Crit Care 23(1):282. https://doi.org/10.1186/s13054-019-2563-xCrossRefPubMedPubMedCentral

Mollura M, Lehman LH, Mark RG, Barbieri R (2021) A novel artificial intelligence based intensive care unit monitoring system: Using physiological waveforms to identify sepsis. Philos Trans A Math Phys Eng Sci 379(2212):20200252. https://doi.org/10.1098/rsta.2020.0252CrossRefPubMedPubMedCentral

Giri J et al (2023) A comparative study on predication of appropriate mechanical ventilation mode through machine learning approach. Bioengineering 10(4):418. https://doi.org/10.3390/bioengineering10040418CrossRefPubMedPubMedCentral

10.

Poweleit EA, Vinks AA, Mizuno T (2023) Artificial intelligence and machine learning approaches to facilitate therapeutic drug management and model-informed precision dosing. Ther Drug Monit 45(2):143–150. https://doi.org/10.1097/FTD.0000000000001078CrossRefPubMedPubMedCentral

11.

Sander J, Simon P, Hinske C (2023) Big Data und künstliche Intelligenz in der Anästhesie. Anaesthesiologie. https://doi.org/10.1007/s00101-023-01362-5CrossRefPubMedPubMedCentral

12.

Arina P et al (2024) Prediction of complications and prognostication in perioperative medicine: a systematic review and PROBAST assessment of machine learning tools. Anesthesiology 140(1):85–101. https://doi.org/10.1097/ALN.0000000000004764CrossRefPubMed

13.

D. Ethikrat (2023) Mensch und Maschine – Herausforderungen durch Künstliche Intelligenz. https://www.ethikrat.org/fileadmin/Publikationen/Stellungnahmen/deutsch/stellungnahme-mensch-und-maschine.pdf

14.

Maheshwari K, Cywinski JB, Papay F, Khanna AK, Mathur P (2023) Artificial intelligence for perioperative medicine: perioperative Intelligenz. Anästh Analg 136(4) (https://journals.lww.com/anesthesia-analgesia/fulltext/2023/04000/artificial_intelligence_for_perioperative.5.aspx)

15.

Nadkarni GN, Sakhuja A (2023) Clinical Informatics in critical care medicine. Yale J Biol Med 96(3):397–405. https://doi.org/10.59249/WTTU3055CrossRefPubMedPubMedCentral

16.

Meier JM, Tschoellitsch T (2022) Artificial intelligence and machine learning in patient blood management: a scoping review. Anesth Analg 135(3) (https://journals.lww.com/anesthesia-analgesia/fulltext/2022/09000/artificial_intelligence_and_machine_learning_in.11.aspx)

17.

Peine A, Hallawa A, Bickenbach J et al (2021) Development and validation of a reinforcement learning algorithm to dynamically optimize mechanical ventilation in critical care. Npj Digit Med 4:32. https://doi.org/10.1038/s41746-021-00388-6CrossRefPubMedPubMedCentral

18.

Campbell R (2013) The five ’rights’ of clinical decision support. J AHIMA 84(10):42–47. https://doi.org/10.3233/JAH-2013-0003 (quiz 48)CrossRefPubMed

19.

Auerbach AD et al (2024) Diagnostic errors in hospitalized adults who died or were transferred to intensive care. JAMA Intern Med. https://doi.org/10.1001/jamainternmed.2023.7347CrossRefPubMed

20.

Webster P (2023) Six ways large language models are changing healthcare. Nat Med 29(12):2969–2971. https://doi.org/10.1038/s41591-023-02700-1CrossRefPubMed

21.

Martin L, Peine A, Gronholz M, Marx G, Bickenbach J (2022) Künstliche Intelligenz: Herausforderungen und Nutzen in der Intensivmedizin. Anästhesiol Intensivmed Notfallmed Schmerzther 57(3):199–209. https://doi.org/10.1055/a-1423-8006CrossRefPubMed

22.

Hyland SL, Faltys M, Esteban C et al (2020) Early prediction of circulatory failure in the intensive care unit using machine learning. Nat Med 26(3):364–373CrossRefPubMed

23.

Bitker L, Talmor D, Richard JC (2022) Emerging applications of artificial intelligence in acute respiratory distress syndrome. Intensive Care Med 48(8):995–1008CrossRefPubMedPubMedCentral

24.

Goh KH, Wang L, Yeow JJL et al (2021) Artificial intelligence in predicting acute kidney injury: from theory to practice. Nat Commun 12(1):711CrossRefPubMedPubMedCentral

25.

Böck M, Malle J, Heitzinger C et al (2022) Artificial intelligence approaches for sepsis prediction. PLoS ONE 17(11):e275358

26.

Bologheanu R, Kapral L, Zeiner S et al (2023) AI in sepsis prediction and management. J Clin Med 12(4):1513. https://doi.org/10.3390/jcm12041513CrossRefPubMedPubMedCentral

27.

Zhang H, Wang AY, He X et al (2022) AI-enhanced diagnosis of acute kidney injury. BMC Nephrol 23(1):405CrossRefPubMedPubMedCentral

28.

Bishara A, Chiu C, Butte AJ et al (2022) AI in detection and management of postoperative delirium. BMC Anesthesiol 22(1):8CrossRefPubMedPubMedCentral

29.

Marx G et al (2021) Algorithmic surveillance of ICU patients with acute respiratory distress syndrome (ASIC): protocol for a multicentre stepped-wedge cluster randomised quality improvement strategy. BMJ Open. https://doi.org/10.1136/bmjopen-2020-045589CrossRefPubMedPubMedCentral

30.

Graeßner M et al (2023) Enabling personalized perioperative risk prediction by using a machine-learning model based on preoperative data. Sci Rep 13(1):7128. https://doi.org/10.1038/s41598-023-33981-8CrossRefPubMedPubMedCentral

31.

Falini S, Angelotti G, Cecconi M (2020) ICU management based on big data. Curr Opin Anesthesiol 33(2) (https://journals.lww.com/co-anesthesiology/fulltext/2020/04000/icu_management_based_on_big_data.7.aspx)

32.

Peine A, Lütge C, Poszler F, Celi L, Schöffski O, Marx G et al (2020) Künstliche Intelligenz und maschinelles Lernen in der intensivmedizinischen Forschung und klinischen Anwendung. Anästh Intensivmed 61:372–384. https://doi.org/10.19224/ai2020.372CrossRef

33.

Clusmann J et al (2023) The future landscape of large language models in medicine. Commun Med 3(1):141. https://doi.org/10.1038/s43856-023-00370-1CrossRefPubMedPubMedCentral

34.

Singhal K et al (2023) Large language models encode clinical knowledge. Nature 620(7972):172–180. https://doi.org/10.1038/s41586-023-06291-2CrossRefPubMedPubMedCentral

35.

Thirunavukarasu AJ, Ting DSJ, Elangovan K, Gutierrez L, Tan TF, Ting DSW (2023) Large language models in medicine. Nat Med 29(8):1930–1940. https://doi.org/10.1038/s41591-023-02448-8CrossRefPubMed

36.

Wachter RM, Brynjolfsson E (2024) Will generative artificial intelligence deliver on its promise in health care? JAMA 331(1):65–69. https://doi.org/10.1001/jama.2023.25054CrossRefPubMed

37.

Goodman RS et al (2023) Accuracy and reliability of Chatbot responses to physician questions. JAMA Netw Open 6(10):e2336483. https://doi.org/10.1001/jamanetworkopen.2023.36483CrossRefPubMedPubMedCentral

38.

Sonntagbauer M, Haar M, Kluge S (2023) Künstliche Intelligenz: Wie werden ChatGPT und andere KI-Anwendungen unseren ärztlichen Alltag verändern? Med Klin Intensivmed Notfallmed 118(5):366–371. https://doi.org/10.1007/s00063-023-01019-6CrossRef

39.

Schweingruber N, Gerloff C (2021) Künstliche Intelligenz in der Neurointensivmedizin [Artificial intelligence in neurocritical care]. Nervenarzt 92(2):115–126. https://doi.org/10.1007/s00115-020-01050-4CrossRefPubMedPubMedCentral

40.

Daneshjou R, Smith MP, Sun MD, Rotemberg V, Zou J (2021) Lack of transparency and potential bias in artificial intelligence data sets and algorithms: a scoping review. JAMA Dermatol 157(11):1362–1369. https://doi.org/10.1001/jamadermatol.2021.3129CrossRefPubMedPubMedCentral

41.

Marx G (2022) Chancen der Digitalisierung für innovative Gesundheitsforschung und -versorgung. Anästhesiol Intensivmed Notfallmed Schmerzther 57(3):169–171. https://doi.org/10.1055/a-1736-9540CrossRefPubMed

42.

Wilkinson MD et al The FAIR guiding principles for scientific data management and stewardship. Sci Data 3:160018. https://doi.org/10.1038/sdata.2016.18

43.

Fritsch S, Maassen O, Riedel M (2022) Künstliche Intelligenz: Infrastrukturen und Voraussetzungen auf europäischer Ebene. Anästhesiol Intensivmed Notfallmed Schmerzther 57:172–184. https://doi.org/10.1055/a-1423-8052CrossRefPubMed

44.

Dohmen S, Wahl A, Benstoem C (2022) Digital gestützte intensivmedizinische Versorgungsnetzwerke. Anästhesiol Intensivmed Notfallmed Schmerzther 57:211–220. https://doi.org/10.1055/a-1423-7982CrossRefPubMed

45.

Johnson AEW, Bulgarelli L, Shen L, Gayles A, Shammout A, Horng S, Pollard TJ, Hao S, Moody B, Gow B, Lehman LH, Celi LA, Mark RG (2023) MIMIC-IV, a freely accessible electronic health record dataset. Sci Data 10(1):1. https://doi.org/10.1038/s41597-022-01899-x (Erratum in: Sci Data. 2023 Jan 16;10(1):31. Erratum in: Sci Data. 2023 Apr 18;10(1):219)CrossRefPubMedPubMedCentral

46.

Saeed M, Villarroel M, Moody G et al (2011) Multiparameter intelligent monitoring in intensive care II (MIMIC-II): a public-access intensive care unit database. Crit Care Med 39(5):952–960CrossRefPubMedPubMedCentral

47.

Pollard TJ, Johnson AEW, Badawi O et al (2018) A public ICU database with high temporal resolution. Sci Data 5:180178CrossRefPubMedPubMedCentral

48.

Plana D, Shung DL, Grimshaw AA, Saraf A, Sung JJY, Kann BH (2022) Randomized clinical trials of machine learning interventions in health care: a systematic review. JAMA Netw Open 5(9):e2233946. https://doi.org/10.1001/jamanetworkopen.2022.33946CrossRefPubMedPubMedCentral

49.

Kwong JCC et al (2023) APPRAISE-AI tool for quantitative evaluation of AI studies for clinical decision support. JAMA Netw Open 6(9):e2335377. https://doi.org/10.1001/jamanetworkopen.2023.35377CrossRefPubMedPubMedCentral

50.

Hart B, Lundh A, Bero L (2012) Effect of reporting bias on meta-analyses of drug trials: reanalysis of meta-analyses. BMJ 344:d7202CrossRefPubMed

51.

Jones CW, Keil LG, Platts-Mills TF et al (2015) Non-publication of large randomized clinical trials: cross-sectional analysis. BMC Med 13:282CrossRefPubMedPubMedCentral

52.

Schulz KF, Altman DG, Moher D (2010) CONSORT 2010 Statement: updated guidelines for reporting parallel group randomised trials. BMJ 340:c332CrossRefPubMedPubMedCentral

53.

Kirkham JJ, Dwan KM, Smyth R et al (2010) The CONSORT statement: revised recommendations for improving the quality of reports of parallel-group randomised trials. BMJ 340:c365CrossRefPubMed

54.

Liu X, Rivera SC, Denniston AK et al (2020) Reporting guidelines for clinical trial reports for interventions involving artificial intelligence: the CONSORT-AI extension. Nat Med 26(9):1364–1374CrossRefPubMedPubMedCentral

55.

Rivera SC, Liu X, Calvert MJ et al (2020) Guidelines for clinical trial protocols for interventions involving artificial intelligence: the SPIRIT-AI Extension. Nat Med 26(9):1351–1363CrossRef

56.

Rivera SC, Liu X, Calvert MJ et al (2020) SPIRIT-AI and CONSORT-AI 2020 guidelines: better reporting of AI trials in health care. Lancet Digit Health 2(10):e549–e560PubMedCentral

57.

Wolff RF et al (2019) PROBAST: a tool to assess the risk of bias and applicability of prediction model studies. Ann Intern Med 170(1):51–58. https://doi.org/10.7326/M18-1376CrossRefPubMed

58.

Liu Y, Chen P‑HC, Krause J, Peng L (2019) How to read articles that use machine learning: users’ guides to the medical literature. JAMA 322(18):1806–1816. https://doi.org/10.1001/jama.2019.16489CrossRefPubMed

59.

Tretter M, Samhammer D, Dabrock P (2023) Künstliche Intelligenz in der Medizin: Von Entlastungen und neuen Anforderungen im ärztlichen Handeln. Ethik Med

60.

Hashimoto DA, Varas J, Schwartz TA (2024) Practical guide to machine learning and artificial intelligence in surgical education research. JAMA Surg. https://doi.org/10.1001/jamasurg.2023.6687CrossRefPubMed

61.

De S, Jackson CD, Jones DB (2023) Intelligent virtual operating room for enhancing nontechnical skills. JAMA Surg 158(6):662–663. https://doi.org/10.1001/jamasurg.2022.6721CrossRefPubMedPubMedCentral

62.

Estrada Alamo CE, Diatta F, Monsell SE, Lane-Fall MB (2023) Artificial intelligence in anesthetic care: a survey of physician anesthesiologists. Anesth Analg (https://journals.lww.com/anesthesia-analgesia/fulltext/9900/artificial_intelligence_in_anesthetic_care__a.673.aspx)

63.

World Health Organization (2023) Regulatory considerations on artificial intelligence for health. Weltgesundheitsorganisation, Genf

64.

U.S. Food and Drug Administration (FDA) (2023) Artificial intelligence and machine learning (AI/ML)-enabled medical devices

65.

Lee JT, Moffett AT, Maliha G, Faraji Z, Kanter GP, Weissman GE (2023) Analysis of devices authorized by the FDA for clinical decision support in critical care. JAMA Intern Med 183(12):1399–1401. https://doi.org/10.1001/jamainternmed.2023.5002CrossRefPubMed

66.

EU-Kommission (2023) EU AI Act: first regulation on artificial intelligence

67.

EU-Parlament (2023) EU AI Act: first regulation on artificial intelligence

68.

Shah NH et al (2023) A nationwide network of health AI assurance laboratories. JAMA. https://doi.org/10.1001/jama.2023.26930CrossRefPubMedPubMedCentral

69.

TUEV AI-LAB (2023) TUV AI.LAB

70.

OECD (2022) OECD framework for the classification of AI systems Bd. 323. https://doi.org/10.1787/cb6d9eca-enCrossRef

71.

Nagendran M, Festor P, Komorowski M, Gordon AC, Faisal AA (2023) Quantifying the impact of AI recommendations with explanations on prescription decision making. Npj Digit Med 6(1):206. https://doi.org/10.1038/s41746-023-00955-zCrossRefPubMedPubMedCentral

72.

WHO (Hrsg) (2024) Ethics and governance of artificial intelligence for health. Guidance on large multi-modal models. Licence: CC BY-NC-SA 3.0 IGO. World Health Organization, Geneva

73.

Cazzaniga et al (2024) Gen-AI: artificial intelligence and the future of work. IMF Staff Discussion Note SDN2024/001. International Monetary Fund, Washington, DC.CrossRef

74.

Vassilev A, Oprea A, Fordyce A, Anderson H (2024) Adversarial machine learning: a taxonomy and terminology of attacks and mitigations. NIST Artifcial Intelligence (AI) Report, NIST Trustworthy and Responsible AI NIST AI 100-2e2023. National Institute of Standards and Technology, Gaithersburg https://doi.org/10.6028/NIST.AI.100-2e2023CrossRef

75.

Perschinka F, Peer A, Joannidis M (2024) Künstliche Intelligenz und akute Nierenschädigung. Med Klin Intensivmed Notfmed. https://doi.org/10.1007/s00063-024-01111-5CrossRefPubMed

Titel: Künstliche Intelligenz in der Intensivmedizin
verfasst von: Dr. André Baumgart
Prof. Dr. med. Grietje Beck
Dr. med. David Ghezel-Ahmadi
Publikationsdatum: 28.03.2024
Verlag: Springer Medizin
Schlagwort: Künstliche Intelligenz
Erschienen in: Medizinische Klinik - Intensivmedizin und Notfallmedizin / Ausgabe 3/2024
Print ISSN: 2193-6218
Elektronische ISSN: 2193-6226
DOI: https://doi.org/10.1007/s00063-024-01117-z

Neu im Fachgebiet AINS

Delir bei kritisch Kranken – Antipsychotika versus Placebo

16.05.2024 Delir Nachrichten

Um die Langzeitfolgen eines Delirs bei kritisch Kranken zu mildern, wird vielerorts auf eine Akuttherapie mit Antipsychotika gesetzt. Eine US-amerikanische Forschungsgruppe äußert jetzt erhebliche Vorbehalte gegen dieses Vorgehen. Denn es gibt neue Daten zum Langzeiteffekt von Haloperidol bzw. Ziprasidon versus Placebo.

Eingreifen von Umstehenden rettet vor Erstickungstod

15.05.2024 Fremdkörperaspiration Nachrichten

Wer sich an einem Essensrest verschluckt und um Luft ringt, benötigt vor allem rasche Hilfe. Dass Umstehende nur in jedem zweiten Erstickungsnotfall bereit waren, diese zu leisten, ist das ernüchternde Ergebnis einer Beobachtungsstudie aus Japan. Doch es gibt auch eine gute Nachricht.

Darf man die Behandlung eines Neonazis ablehnen?

08.05.2024 Gesellschaft Nachrichten

In einer Leseranfrage in der Zeitschrift Journal of the American Academy of Dermatology möchte ein anonymer Dermatologe bzw. eine anonyme Dermatologin wissen, ob er oder sie einen Patienten behandeln muss, der eine rassistische Tätowierung trägt.

Ein Drittel der jungen Ärztinnen und Ärzte erwägt abzuwandern

07.05.2024 Klinik aktuell Nachrichten

Extreme Arbeitsverdichtung und kaum Supervision: Dr. Andrea Martini, Sprecherin des Bündnisses Junge Ärztinnen und Ärzte (BJÄ) über den Frust des ärztlichen Nachwuchses und die Vorteile des Rucksack-Modells.

Update AINS

Bestellen Sie unseren Fach-Newsletter und bleiben Sie gut informiert.

hier abonnieren

Die Highlights vom Kongress des American College of Cardiology 2024

Springer Medizin

Zusammenfassung

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Weitere Artikel der Ausgabe 3/2024

Impact of obesity on outcomes of patients with acute respiratory distress syndrome: a retrospective analysis of a large clinical database

Digitalisierung in der Intensivmedizin

Comparing high-flow nasal oxygen therapy and normobaric oxygen therapy on the treatment of carbon monoxide poisoning

Funktionelle Anforderungen an Patientendatenmanagementsysteme in der Intensivmedizin

Stellenwert von Natural Language Processing und chatbasierten Generative Language Models