Servicenavigation


Sie sind hier:

C4 : Zeitreihenanalytische Methoden zur Behandlung von Online-Monitoring-Daten aus der Intensivmedizin

Projektleitung

Prof. Dr. Ursula Gather
PD Dr. Michael Imhoff
 

Kurzbeschreibung

Ziel des Teilprojekts bleibt die Bereitstellung statistischer Methodik für die Entwicklung intelligenter Alarm- und Analysesysteme zur bettseitigen Überwachung des Patientenzustandes. Die Grundlage hierfür liefert die automatische Online-Erfassung von Vitalparametern, Laborwerten, Medikamentengaben und therapeutischen Maßnahmen durch das klinische Informationssystem der Chirurgischen Intensivstation des Klinikums Dortmund. Zudem wird in Zukunft ein annotierter Referenzdatensatz von sekündlich erhobenen Vitalparametern aus einer mit dem Universitätsklinikum Regensburg gemeinsam durchgeführten klinischen Studie zur Verfügung stehen.
Ein klinisches Analyse- und Alarmsystem für den Echtzeit-Einsatz in der Intensivmedizin muss in der Lage sein, Strukturbrüche wie Niveauänderungen, Trends und Ausreißer in physiologischen Zeitreihen zu erkennen sowie Therapieeffekte aufzudecken. Datengestützte Erkenntnisse sind mit medizinischer Expertise abzugleichen und statistische Methoden sind für den klinischen Online-Monitoring Einsatz zu adaptieren und zu robustifizieren. Die zu entwickelnden statistischen Methoden sind im Bereich der multivariaten Zeitreihenanalyse sowie der multivariaten Prozesskontrolle angesiedelt. Zur Verfolgung der genannten Ziele werden insbesondere die folgenden Aufgaben bearbeitet:

  • Methodische Weiterentwicklung der automatischen Echtzeit-Extraktion von klinisch relevanten Strukturen und Signalen aus einer multivariaten Zeitreihe,
  • Online-Gewinnung klinisch relevanter Informationen durch Reduktion multivariater Zeitreihen auf eine überschaubare Anzahl analysierbarer Komponenten in Echtzeit und
  • Planung und Durchführung einer klinischen Studie zur Validierung der entwickelten univariaten Alarm-Algorithmen.

Basierend auf den bislang entwickelten Methoden zur univariaten Kontrolle physiologischer Prozesse, den gewonnenen Erkenntnissen über die Zusammenhänge zwischen den hämodynamischen Variablen und den erarbeiteten Weiterentwicklungen dimensionsreduzierender Verfahren wird das Augenmerk schließlich stärker auf die Kontrolle des multivariaten Prozesses gerichtet. Multivariate statistische Kontroll-Prozeduren sollen extrahierte klinische Informationen bezüglich ihrer Relevanz bewerten und so die frühzeitige Erkennung kritischer Zustände ermöglichen. Zur Prozesskontrolle scheint die Anwendung univariater oder bivariater Mustererkennungsregeln auf zu extrahierende schwach korrelierte Signale angebracht. Insgesamt sind Echtzeit-fähige Algorithmen zu erarbeiten, die nicht nur Aussagen über mögliche Zustandsänderungen im Sinne reiner Strukturbrucherkennung erlauben, sondern auch qualitative und quantitative Feststellungen über die Art und Stabilität des Patientenzustands treffen können.
Zur Vorbereitung des langfristig angestrebten klinischen Einsatzes in Monitoring-Systemen sind die bereits entwickelten univariaten Mustererkennungsmethoden in Vergleichsstudien an Patientendaten zu validieren. Dies erfolgt anhand eines annotierten Referenzdatensatzes von sekündlich erhobenen Vitalparametern, der im Rahmen einer klinischen Studie gemeinsam mit dem Universitätsklinikum Regensburg entsteht. Die genannten Aufgaben werden in Kooperation mit den Teilprojekten A1, A4 und A5 bearbeitet.
 

Arbeitspakete

  • Robuste Signalextraktion
  • Dimensionsreduktion für Zeitreihen
  • Multivariate Kontrollkarten
  • Vergleichsstudien für die univariate Mustererkennung

Die theoretischen Ergebnisse dieser Arbeitspakete sollen stets parallel an Patientendaten getestet werden, um frühzeitige Fehlentwicklungen zu vermeiden. Dies schließt eine programmtechnische Umsetzung der entsprechenden Verfahren ein, die in Zusammenarbeit mit Teilprojekt A5 geleistet werden soll.

Veröffentlichungen

Die Veröffentlichungen des Projekts finde Sie hier.
 

R-Pakete

Das Paket robfilter wurde gemeinsam mit Prof.Dr. Roland Fried entwickelt und umfasst Implementierungen von robusten Filtern bzw. Signalextraktionsverfahren für die Statistik Software R.
Das Paket kann vom CRAN Server heruntergeladen werden

Details zu R finden sie auf der offiziellen R-Homepage. Details zu Windows-Binär-Paketen auf CRAN finden sich unter CRAN/bin/windows/contrib.