Data Analysis in respiratory physiology : Model detection, parameter extraction and prediction methods for lung protective ventilation
Date issued
Authors
Editors
Journal Title
Journal ISSN
Volume Title
Publisher
License
Abstract
Eine der wichtigsten lebenserhaltenden Maßnahmen in der Intensivmedizin ist die mechanische Beatmung der Lunge. Bei inadäquater Einstellung des Beatmungsgerätes können jedoch Lungenschäden induziert oder verstärkt werden. Daher ist es ist das Ziel lungenprotektiver Beatmungsstrategien, den mechanischen Stress, dem die Lunge während der Beatmung ausgesetzt ist, zu reduzieren. Um solche Beatmungsstrategien entwickeln zu können, ist das Wissen über die physiologischen und mechanischen Zusammenhänge und Wechselwirkungen in der Lunge eine wesentliche Voraussetzung. In klassischen Ansätzen aus der Biomedizintechnik wird organspezifisches Vorwissen über mechanische und physiologische Zusammenhänge zur Modellierung des Organs verarbeitet. Mit Hilfe dieser Modelle können die Werte einzelner Modellparameter in Abhängigkeit bestehender Randbedingungen berechnet werden. Während diese Art der Modellbildung vorwiegend auf numerischen Methoden basiert, ermöglichen Ansätze aus dem ”Machine Learning“ und ”Knowledge Discovery in Databases“ die Vorhersage von Parametern mittels statistischer Methoden. Hier können die Vorhersagen auf Basis von Merkmalen getroffen werden, die nicht unmittelbar ersichtlich in Wechselwirkung zueinander stehen und über die es unter Umständen auch noch keine gesicherten Erkenntnisse gibt. Die vorliegende Arbeit untersucht die Atemmechanik des Menschen unter mechanischer Beatmung mit Methoden aus der Biomedizintechnik, der ”Knowledge Discovery in Databases“ und dem ”Machine Learning“. In allen vorgestellten Analysen werden Zeitreihendaten verwendet, die am beatmeten Patienten akquiriert wurden. Mittels klassischer Methoden aus der Biomedizintechnik wird die Relaxation der Lunge nach zuvor induziertem mechanischem Stress untersucht, um Rückschlüsse auf den Energietransfer zwischen dem Beatmungsgerät und der Lunge zu ziehen. In einem ”Equation Discovery“ Ansatz werden Lungenmodelle auf Basis von vorher definierten Bedingungen für die Modellstruktur erstellt und mittels einer Heuristik qualitativ beurteilt. Dieser Ansatz ermöglicht die Konstruktion von Lungenmodellen mit und ohne Hintergrundwissen. In einem dritten Ansatz werden statistische Methoden aus dem maschinellen Lernen zur Vorhersage der druckabhängigen, nicht-linearen Volumendehnbarkeit der Lunge (”Compliance“) verwendet. Zur Vorhersage werden Gauß’sche Prozesse verwendet, ein nicht-parametrischer Modellbildungsansatz für nicht-lineare Funktionen. In dem hier vorgestellten medizinischen Problemfeld bietet dieser Ansatz eine Methodik, die die Prädiktion beatmungsrelevanter Lungenparameter für eine auf den individuellen Patienten abgestimmte Beatmungsstrategie ermöglichen soll.