INALO
Intelligenter Alarmoptimierer
für die Intensivstation
Die Patientensicherheit hat sich in den letzten Jahrzehnten durch das Monitoring von Vitalparametern (z. B. Blutdruck, Herzfrequenz) auf Intensivstationen (ITS) deutlich verbessert.
Wenn ein Vitalparameter von eingestellten Grenzwerten abweicht, wird ein Alarm ausgelöst und somit das ITS-Personal alarmiert. Zwischen 72 und 99% dieser Alarme folgen jedoch Artefakten oder Fehlmessungen und werden als falsch-positiv oder als nicht aktionsgebunden beschrieben [1].
Auch vermehrter Stress – sowohl für das Personal als auch für die Patient*innen – und Ablenkung vom Stationsalltag [5-7] können das Ergebnis von Fehlalarmen sein.
Falsch-positive Alarme stellen einen der Hauptgründe für die sogenannte Alarm Fatigue dar, einer Desensibilisierung des Personals gegenüber kritischen Alarmen, die sogar zu Patientenschaden bis hin zu Todesfällen führen kann [2-4].
Falsch-positive Alarme stellen einen der Hauptgründe für die sogenannte Alarm Fatigue dar, einer Desensibilisierung des Personals gegenüber kritischen Alarmen, die sogar zu Patientenschaden bis hin zu Todesfällen führen kann [2-4].
Auch vermehrter Stress – sowohl für das Personal als auch für die Patient*innen – und Ablenkung vom Stationsalltag [5-7] können das Ergebnis von Fehlalarmen sein.
Große Datenmengen bieten eine ideale Grundlage für das Training und den Einsatz von lernenden Systemen basierend auf Künstlicher Intelligenz (KI). Auf einer ITS entstehen durch die digitale Dokumentation täglich mehrere Gigabytes an Gesundheitsdaten [10].
Um gegen Alarm Fatigue vorzugehen, werden unterschiedliche Ansätze, meistens in Kombination, verfolgt – von Schulungen des Personals und Erstellen von Leitlinien, bis hin zum Ändern der Alarmkonfigurationen und Entwickeln von Algorithmen [8, 9].
Im Forschungskontext konnte gezeigt werden, dass KI-Algorithmen schon heute das Potential hätten die Patientenversorgung auf der ITS zu unterstützen [11–14]. Zahlreiche Herausforderungen erschweren jedoch die Integration solcher KI-Algorithmen im klinischen Alltag.
Im Forschungskontext konnte gezeigt werden, dass KI-Algorithmen schon heute das Potential hätten die Patientenversorgung auf der ITS zu unterstützen [11–14]. Zahlreiche Herausforderungen erschweren jedoch die Integration solcher KI-Algorithmen im klinischen Alltag.
Ziel des Projekts ist die Entwicklung einer benutzerzentrierten, kontinuierlich lernenden KI-Applikation (App) zur Intelligenten Alarmoptimierung (INALO) auf der ITS.
Perspektivisch soll durch die INALO-App eine Reduktion von unnötigen Alarmen im klinischen Alltag dadurch erreicht werden, dass dem ITS-Personal KI-augmentiert patienten-spezifische Alarmgrenzen vorgeschlagen werden. Dies würde zu einer Entlastung des ITS-Personals und einer besseren Versorgung der Patient*innen führen.
Ziel des Projekts ist die Entwicklung einer benutzerzentrierten, kontinuierlich lernenden KI-Applikation (App) zur Intelligenten Alarmoptimierung (INALO) auf der ITS.
Perspektivisch soll durch die INALO-App eine Reduktion von unnötigen Alarmen im klinischen Alltag dadurch erreicht werden, dass dem ITS-Personal KI-augmentiert patienten-spezifische Alarmgrenzen vorgeschlagen werden. Dies würde zu einer Entlastung des ITS-Personals und einer besseren Versorgung der Patient*innen führen.
Mit dem INALO-Projekt wollen wir in einem interdisziplinären Team zudem die Translation der Forschungsergebnisse in den klinischen Alltag vorbereiten und dabei folgende Herausforderungen adressieren:
Erarbeiten der semantischen, syntaktischen und technischen Interoperabilität der vorhandenen Daten und technischen Systeme im medizinischen Kontext
Erhöhen des Vertrauens gegenüber KI-Applikationen
Implementieren von hoch-performanter Recheninfrastruktur sowie Software- und Ablaufumgebungen innerhalb der Krankenhausumgebung, die für die Anwendung von KI-Applikationen im Krankenhaus benötigt werden
Ermöglichen einer Datennutzung unter Wahrung der hohen Datenschutzanforderungen
1. Ermöglichen einer Datennutzung unter Wahrung der hohen Datenschutzanforderungen.
2. Erarbeiten der semantischen, syntaktischen und technischen Interoperabilität der vorhandenen Daten und technischen Systeme im medizinischen Kontext.
3. Implementieren von hoch-performanter Recheninfrastruktur sowie Software- und Ablaufumgebungen innerhalb der Krankenhausumgebung, die für die Anwendung von KI-Applikationen im Krankenhaus benötigt werden.
4. Erhöhen des Vertrauens gegenüber KI-Applikationen.
