Skip to main page content
U.S. flag

An official website of the United States government

Dot gov

The .gov means it’s official.
Federal government websites often end in .gov or .mil. Before sharing sensitive information, make sure you’re on a federal government site.

Https

The site is secure.
The https:// ensures that you are connecting to the official website and that any information you provide is encrypted and transmitted securely.

Access keys NCBI Homepage MyNCBI Homepage Main Content Main Navigation
Review
. 2021 Feb;92(2):115-126.
doi: 10.1007/s00115-020-01050-4. Epub 2021 Jan 24.

[Artificial intelligence in neurocritical care]

[Article in German]
N Schweingruber  1 , C Gerloff  2
Affiliations
Review

[Artificial intelligence in neurocritical care]

[Article in German]
N Schweingruber et al. Nervenarzt. 2021 Feb.

Abstract
in English, German

Artificial intelligence (AI) has been introduced into medicine and an AI-assisted medicine will be the future that we should help to shape. In particular, supervised, unsupervised, and reinforcement learning will be the main methods to play a role in the implementation of AI. Severely ill patients admitted to the intensive care unit (ICU) are closely monitored in order to be able to quickly respond to any changes. These monitoring data can be used to train AI models to predict critical phases in advance, making an earlier reaction possible. To achieve this a large amount of clinical data are needed in order to train models and an external validation on independent cohorts should take place. Prospective studies with treatment of patients admitted to the ICU with AI assistance should show that they provide a benefit for patients. We present the most important resources from de-identified (anonymized) patient data on open-source use for AI research in intensive care medicine. The focus is on neurological diseases in the ICU, therefore, we provide an overview of existing models for prediction of outcome, vasospasms, intracranial pressure and levels of consciousness. To introduce the advantages of AI in the clinical routine, more AI-based models with larger datasets will be needed. To achieve this international cooperation is absolutely necessary. Clinical centers associated with universities are needed to provide a constant validation of applied models as these models can change during use or a bias can develop during the training. A strong commitment to AI research is important for Germany, not only with respect to academic achievements but also in the light of a rapidly growing influence of AI on the economy.

Die Methoden der künstlichen Intelligenz (KI) halten Einzug in die Medizin. Die KI-assistierte Medizin ist die Zukunft, die es mitzugestalten gilt. Insbesondere supervidiertes, unsupervidiertes und bestärkendes Lernen werden als Methoden eine zentrale Rolle einnehmen. In der Intensivmedizin werden schwerkranke Patienten mit einem aufwendigen Monitoring versehen, um auf Veränderungen schnell zu reagieren. Diese Daten können genutzt werden, um Vorhersagemodelle zu trainieren und somit in der Lage zu sein, früher auf Veränderungen zu reagieren. Für das Training von Modellen werden große Datensätze benötigt. Eine Validierung der Modelle sollte an externen und unabhängigen Kohorten erfolgen. Prospektive Studien mit KI-Assistenz müssen zeigen, dass sie einen Vorteil für Patienten bringen. Wir stellen die wichtigsten Ressourcen anonymisierter Patientendaten zur Open-source-Nutzung für die KI-Forschung in der Intensivmedizin vor. Der Fokus liegt auf den neurologischen Krankheitsbildern auf der Intensivstation, daher geben wir eine Übersicht über bestehende Modelle zur Prädiktion von Outcome, Vasospasmen, intrakraniellem Druck und Bewusstsein. Um die Vorteile der KI in der Routine zu nutzen, werden weitere Modelle mit noch größeren Datensätzen benötigt. Internationale Kooperationen sind dafür zwingend notwendig. Die Validierung und ständige Überprüfung der Modelle wird eine Kernaufgabe der universitären Medizin sein, da diese Modelle sich während der Nutzung verändern können oder auch während des Trainings ein Bias entstehen kann. Ein konsequentes Engagement in der KI-Forschung ist nicht nur für die deutsche Universitätsmedizin, sondern auch für den Wirtschaftsstandort Deutschland wichtig.

Keywords: Coma; Machine learning; Neurology; Sedation; Stroke.

PubMed Disclaimer

References

    1. NICE) NI for H and CE . NICE clinical guideline sets out recommendations for NHS care of people who have suffered a head injury. 2003.
    1. Ali M, Jones MW, Xie X, Williams M. TimeCluster: dimension reduction applied to temporal data for visual analytics. Vis Comput. 2019;35:1013–1026. doi: 10.1007/s00371-019-01673-y. - DOI
    1. Arbabshirani MR, Fornwalt BK, Mongelluzzo GJ, et al. Advanced machine learning in action: identification of intracranial hemorrhage on computed tomography scans of the head with clinical workflow integration. Npj Digit Med. 2018 doi: 10.1038/s41746-017-0015-z. - DOI - PMC - PubMed
    1. Arbabshirani MR, Fornwalt BK, Mongelluzzo GJ, et al. Advanced machine learning in action: identification of intracranial hemorrhage on computed tomography scans of the head with clinical workflow integration. Npj Digit Med. 2018;1:1–7. doi: 10.1038/s41746-017-0015-z. - DOI - PMC - PubMed
    1. Bhatti F, Shah MA, Maple C, Islam SU. A novel internet of things-enabled accident detection and reporting system for smart city environments. Sensors. 2019;19:2071. doi: 10.3390/s19092071. - DOI - PMC - PubMed

LinkOut - more resources