In deutschen Krankenhäusern werden jährlich fast 17 Millionen Operationen (OPs) durchgeführt. Während der Großteil der Patienten von der Behandlung profitiert, erleidet ein Teil perioperative Komplikationen wie z. B. Lungenentzündungen, Herzinfarkte oder Nierenversagen. Diese Komplikationen wiederum verschlechtern das Behandlungsergebnis oder führen gar zum Tod. Eine systematische, multidimensionale Analyse von Risikofaktoren in existierenden großen Datensätzen war bisher auf Grund der eingeschränkten Analysemöglichkeiten von großen Datenmengen möglich. Die für den Einsatz künstlicher Intelligenz (KI) notwendige Rechenleistung ist erst seit Kurzem für eine breite Nutzerschaft verfügbar.

Um Komplikationen und Mortalität medizinischer Prozeduren zu reduzieren, verfolgt das Projekt am Beispiel chirurgischer Patienten das Ziel einer datengestützten, personalisierten Risikoprädiktion aus der Gesamtheit der verfügbaren klinischen Daten, ergänzt durch eine patientenindividuelle Proteomanalyse. Auch wenn Risikopatienten identifiziert werden, sind bisher personalisierte, optimale Behandlungspfade oft nicht bekannt.

Für viele Komplikationen ist die zu Grunde liegende Pathophysiologie zudem unklar. Mittels KI-Ansätzen werden sich Muster in Proteinbiomarkern identifizieren lassen, die peri-operative (peri-OP) Komplikationen sensitiver und spezifischer vorhersagen als dies bisher mit konventionellen Methoden möglich ist.

Projektpartner:

Universitätsmedizin Heidelberg:

• Klinik für Anästhesiologie
• AG Big Data – Institut für Medizinische Biometrie und Informatik
• Abteilung Medizinische Informationssysteme
• Zentrum für Informations- und Medizintechnik
• Klinik für Allgemein-, Viszeral- und Transplantationschirurgie
• Studienzentrum der Deutschen Gesellschaft für Chirurgie

Mit Beteiligung von:

• Mint Medical GmbH Heidelberg
• Philips Medizin-Systeme Böblingen GmbH
• Karl Storz SE & Co. KG
• phellow seven GmbH