Projekt

Zurück zur Übersicht

Novel Machine Learning Approaches for Data from the Intensive Care Unit

Titel Englisch Novel Machine Learning Approaches for Data from the Intensive Care Unit
Gesuchsteller/in Rätsch Gunnar
Nummer 176005
Förderungsinstrument Projekte
Forschungseinrichtung Departement Informatik ETH Zürich
Hochschule ETH Zürich - ETHZ
Hauptdisziplin Mathematik
Beginn/Ende 01.11.2017 - 31.10.2019
Bewilligter Betrag 756'819.00
Alle Daten anzeigen

Alle Disziplinen (3)

Disziplin
Mathematik
Informatik
Innere Medizin

Keywords (5)

Intensive Care Unit; Machine Learning; Deep Learning; Time Series Analysis; Medical Data

Lay Summary (Deutsch)

Lead
Auf der Intensivstation eines Krankenhauses werden konstant Gesundheitsparameter von schwerkranken Patienten gemessen. Damit die Ärzteschaft bei der Behandlung auf sämtliche verfügbaren Informationen zugreifen kann, entwickeln wir mit Maschinellem Lernen ein System, das diese komplexen Datenreihen schnell und zuverlässig interpretieren kann.
Lay summary
Die Intensivstation eines Krankenhauses ist ein extrem Daten-reiches Umfeld. Zu jedem Zeitpunkt werden verschiedene Gesundheitsparameter der schwerkranken Patienten gemessen und überwacht. Dabei spielt der zeitliche Verlauf der Messwerte eine entscheidende Rolle. Die behandelnde Ärzteschaft versucht aus diesen Daten zu einem beliebigen Zeitpunkt festzustellen, ob sich der Zustand der Patienten verbessert oder verschlechtert. Viele Intensivstationen verwenden für die Aufzeichnung der Messwerte elektronische Systeme. Diese extrem umfangreichen Patientendatensysteme bieten viele Vorteile bei der Behandlung. Daten werden viel genauer erfasst, mit höherer zeitlicher Auflösung, und werden in einer Datenbank gespeichert. Zusätzlich können die Daten in einer Form dargestellt werden, die problemorientierte Interpretation von Daten Trends zulässt. Jedoch ist die Anzahl der Parameter, die pro Patient en Betracht gezogen werden muss, sehr hoch und die behandelnden Ärzte müssen meistens mehrere Patienten gleichzeitig überwachen.

Wir wollen ein System entwickeln, das die Ärzteschaft dabei unterstützt frühzeitig zu erkennen, ob beispielsweise ein Organversagen droht oder sich der Gesundheitszustand der Patienten verschlechtert. Dafür müssen die Daten zugänglich gemacht werden für rechnergestützte Forschung, neue Methoden und Software müssen entwickelt werden um Organversagen mittels medizinischen Kriterien voraussagen zu können und zukünftig soll mittels retrospektiven Daten ein evidenz-basiertes Entscheidungshilfesystem entwickelt werden.

Grosse Intensivstationen beherbergen viele Patienten mit unterschiedlich schweren Krankheitsstadien. Die menschlichen Fähigkeit gleichzeitig verschiedene Informationsquellen zu verarbeiten ist begrenzt und kann zu Überforderung, Blindheit gegenüber Veränderungen und Fixierung auf bestimmte Aufgaben führen. Maschinelles Lernen eignet sich jedoch hervorragend für Anwendungen, die komplexe und grosse Datenmengen beinhalten. Dieses Projekt geht über die Entwicklung eines klinischen Frühwarnsystem für Organversagen hinaus. Es entwickelt die technische Grundlage und Software Prototypen für ein Frühwarnsystem, das der Ärzteschaft am Patientenbett vielschichtige Informationen liefert und für die Entscheidung über die weitere Behandlung hinzugezogen werden kann.

 
Direktlink auf Lay Summary Letzte Aktualisierung: 20.12.2017

Verantw. Gesuchsteller/in und weitere Gesuchstellende

Mitarbeitende

Abstract

Critically ill patients require treatment in specialized settings of intensive care units (ICU) to enable continuous recording of organ function parameters for early recognition of abnormal values, consecutive rapid patient assessment and appropriate interventions. At any given point, a clinician will try to assess if a patient’s condition is improving or deteriorating. The ICU of a hospital is therefore a data-rich environment with many parameters and many longitudinal observations. Machine Learning techniques excel in domains where one needs to describe and control a complex phenomenon and has many observations available. This motivates the use of Machine Learning to support physicians in better and faster understanding the condition of a patient and to support decision making. Our research is structured into three broad aims. In Aim 1 we will make data accessible for computational research. This may seem trivial at first sight, but it is a crucial first step that needs to be completed carefully to make use of data from medical facilities that is stored but so far unavailable for research. The size and complexity of the data requires that the information is preprocessed, integrated and stored in formats that computational scientists can take full advantage of. In particular, we will assess different ways to encode, store and access large intensive care datasets. Also, we intend to develop a strategy to transform databases recorded from different sources into a standard format wherever feasible. Subsequent analyses and models in this proposal will rely on standardized data and efficient access mechanisms.Aim 2 is to develop the necessary methodology and software to predict organ dysfunction defined by specific medical endpoints. We initially intend to focus on three organ systems: circulatory, respiratory, and renal. The goal is to design an early-warning system which can identify patients in need of intervention or additional monitoring with Machine Learning and implement a software prototype for use at ICU of the University Hospital Bern. For this we will use data from ˜55,000 patients from the ICU of University Hospital Bern as well as other publicly available datasets to train, tune and evaluate state-of-the-art Machine Learning methods. We will then develop novel statistical and machine learning approaches to to deal with missing data, multiple time scales, many outliers and other challenges. The availability of observational medical data from intensive care units opens the door for retrospective analyses with Machine Learning techniques with the aim to develop decision support systems. Thus, Aim 3 is farther reaching, and intends to advance the state of Machine Learning research in healthcare. This aim considers retrospective uses of large observational datasets, like the one collected at the University Hospital Bern ICU. Examples are learning abstract representations of patients based on their health data, and predicting treatment policies based on the actions and expertise of many physicians as recorded in this data. This research aims to assist the practice of healthcare with evidence-based support systems powered by Machine Learning, which draw on large quantities and specifics of healthcare data not easily processable by clinicians.
-