Skip to main content
SpringerLink
Log in

„Machine learning“ in der Anästhesiologie

Machine learning in anesthesiology

  • Leitthema
  • Published:
Der Anaesthesist Aims and scope Submit manuscript

Zusammenfassung

Die Anwendung von künstlicher Intelligenz (KI) verändert zurzeit die verschiedensten Bereiche des Lebens. Künstliche Intelligenz beinhaltet die Nachbildung menschlichen Verhaltens mithilfe von Methoden aus der Mathematik und Informatik. Machine learning (ML) stellt ein Teilgebiet der KI dar. Machine-learning-Algorithmen besitzen das Potenzial, die Patientenversorgung zu optimieren, indem sie unterstützend in der personalisierten Medizin, Entscheidungsfindung und Risikoprädiktion Anwendung finden. Obwohl sich der größte Teil ihrer Anwendung in der Medizin zurzeit noch auf Datenanalyse und Forschung beschränkt, ist sicher, dass ML sowohl in der Wissenschaft als auch in der Klinik in dieser unterstützenden Funktion immer mehr an Bedeutung gewinnen wird. Für den Kliniker ist deshalb zumindest ein Grundverständnis der Funktionsweise, Stärken und Schwächen des ML notwendig.

Abstract

The application of artificial intelligence (AI) is currently changing very different areas of life. Artificial intelligence involves the emulation of human behavior with the aid of methods from mathematics and informatics. Machine learning (ML) represents a subdivision of AI. Algorithms for ML have the potential to optimize patient care, in that they can be utilized in a supportive way in personalized medicine, decision making and risk prediction. Although the majority of the applications in medicine are still limited to data analysis and research, it is certain that ML will become increasingly more important in scientific and clinical aspects in this supportive function. Therefore, it is necessary for clinicians to have at least a basic understanding of the functional principles, strengths and weaknesses of ML.

This is a preview of subscription content, log in via an institution to check access.

Access this article

Log in via an institution

Price excludes VAT (USA)
Tax calculation will be finalised during checkout.

Instant access to the full article PDF.

Institutional subscriptions

Abb. 1
Abb. 2
Abb. 3
Abb. 4

Notes

  1. Checkers ist eine Variante des Spiels Dame, welche v. a. in englischsprachigen Ländern gespielt wird. Die Dame darf hier nur ein Feld weit ziehen.

  2. Abgeleitet von dem englischen Wort perception („Wahrnehmung“).

  3. Lisp-Maschinen waren Computer, deren Architektur für die Ausführung der in der KI damals viel verwendeten Programmiersprache LISP optimiert war.

Literatur

  1. Alexander JC, Joshi GP (2017) Anesthesiology, automation, and artificial intelligence. Bayl Univ Med Cent Proc 31:117–119. https://doi.org/10.1080/08998280.2017.1391036

    Article  Google Scholar 

  2. Ambale-Venkatesh B, Yang X, Wu CO et al (2017) Cardiovascular event prediction by machine learning: the multi-ethnic study of atherosclerosis. Circ Res 121:1092–1101. https://doi.org/10.1161/CIRCRESAHA.117.311312

    Article  CAS  PubMed  PubMed Central  Google Scholar 

  3. Bartek MA, Saxena RC, Solomon S et al (2019) Improving operating room efficiency: a machine learning approach to predict case-time duration. J Am Coll Surg. https://doi.org/10.1016/j.jamcollsurg.2019.05.029

    Article  PubMed  PubMed Central  Google Scholar 

  4. Buolamwini J, Gebru T (2018) Gender shades: intersectional accuracy disparities in commercial gender classification. In: Friedler SA, Wilson C (Hrsg) Proceedings of the 1st conference on fairness, accountability and transparency PMLR, S 77–91

    Google Scholar 

  5. Chen L, Dubrawski A, Wang D et al (2016) Using supervised machine learning to classify real alerts and artifact in online multisignal vital sign monitoring data. Crit Care Med 44:e456–e463. https://doi.org/10.1097/CCM.0000000000001660

    Article  PubMed  PubMed Central  Google Scholar 

  6. Dejong G, Mooney R (1986) Explanation-based learning: An alternative view. Mach Learn 1:145–176. https://doi.org/10.1007/bf00114116

    Article  Google Scholar 

  7. Doi K, MacMahon H, Katsuragawa S et al (1999) Computer-aided diagnosis in radiology: potential and pitfalls. Eur J Radiol 31:97–109

    Article  CAS  Google Scholar 

  8. Earnest L (2018) Stanford cart. How a moon rover project was blocked by a politician but got kicked by football into a self-driving vehicle. https://web.stanford.edu/. Zugegriffen: 11.07.2019

  9. Ehteshami Bejnordi B, Veta M, van Diest JP et al (2017) Diagnostic assessment of deep learning algorithms for detection of lymph node metastases in women with breast cancer. JAMA 318:2199–2210. https://doi.org/10.1001/jama.2017.14585

    Article  PubMed  PubMed Central  Google Scholar 

  10. Fan B, Li H‑X, Hu Y (2016) An intelligent decision system for Intraoperative somatosensory evoked potential monitoring. Ieee Trans Neural Syst Rehabil Eng 24:300–307. https://doi.org/10.1109/TNSRE.2015.2477557

    Article  PubMed  Google Scholar 

  11. Ghassemi MM, Al-Hanai T, Raffa JD et al (2018) How is the doctor feeling? ICU provider sentiment is associated with diagnostic imaging utilization. Conference proceedings : Annual International Conference of the IEEE Engineering in Medicine and Biology Society IEEE Engineering in Medicine and Biology Society Annual Conference 2018, S 4058–4064 https://doi.org/10.1109/EMBC.2018.8513325

    Book  Google Scholar 

  12. Grapov D, Fahrmann J, Wanichthanarak K, Khoomrung S (2018) Rise of Deep Learning for Genomic, Proteomic, and Metabolomic Data Integration in Precision Medicine. OMICS 22:630–636. https://doi.org/10.1089/omi.2018.0097

    Book  Google Scholar 

  13. Hatib F, Jian Z, Buddi S et al (2018) Machine-learning algorithm to predict hypotension based on high-fidelity arterial pressure waveform analysis. Anesthesiology 129:663–674. https://doi.org/10.1097/ALN.0000000000002300

    Article  PubMed  Google Scholar 

  14. Hever G, Cohen L, O’Connor MF et al (2019) Machine learning applied to multi-sensor information to reduce false alarm rate in the ICU. J Clin Monit Comput. https://doi.org/10.1007/s10877-019-00307-x

    Article  PubMed  Google Scholar 

  15. Holmgren G, Andersson P, Jakobsson A, Frigyesi A (2019) Artificial neural networks improve and simplify intensive care mortality prognostication: a national cohort study of 217,289 first-time intensive care unit admissions. j intensive care 7:44. https://doi.org/10.1186/s40560-019-0393-1

    Article  PubMed  PubMed Central  Google Scholar 

  16. Johnson AEW, Pollard TJ, Shen L et al (2016) MIMIC-III, a freely accessible critical care database. Sci Data. https://doi.org/10.1038/sdata.2016.35

    Article  PubMed  PubMed Central  Google Scholar 

  17. Kendale S, Kulkarni P, Rosenberg AD, Wang J (2018) Supervised machine-learning predictive Analytics for prediction of postinduction hypotension. Anesthesiology 129:675–688. https://doi.org/10.1097/ALN.0000000000002374

    Article  PubMed  Google Scholar 

  18. Khosla V (2012) Do we need doctors or algorithms? https://techcrunch.com/2012/01/10/doctors-or-algorithms/. Zugegriffen: 11.07.2019

  19. Komorowski M, Celi LA, Badawi O et al (2018) The artificial intelligence clinician learns optimal treatment strategies for sepsis in intensive care. Nat Med 24:1716–1720. https://doi.org/10.1038/s41591-018-0213-5

    Article  CAS  PubMed  Google Scholar 

  20. Kringel D, Kaunisto MA, Kalso E, Lötsch J (2019) Machine-learned analysis of the association of next-generation sequencing based genotypes with persistent pain after breast cancer surgery. Pain. https://doi.org/10.1097/j.pain.0000000000001616

    Article  PubMed  Google Scholar 

  21. Lima AN, Philot EA, Trossini GHG et al (2016) Use of machine learning approaches for novel drug discovery. Expert Opin Drug Discov 11:225–239. https://doi.org/10.1517/17460441.2016.1146250

    Article  CAS  PubMed  Google Scholar 

  22. Liu Q, Chen Y‑F, Fan S‑Z et al (2015) EEG signals analysis using multiscale entropy for depth of anesthesia monitoring during surgery through artificial neural networks. Comput Math Methods Med 2015:232381. https://doi.org/10.1155/2015/232381

    Article  PubMed  PubMed Central  Google Scholar 

  23. Liu Q, Ma L, Fan S‑Z et al (2018) Sample entropy analysis for the estimating depth of anaesthesia through human EEG signal at different levels of unconsciousness during surgeries. PeerJ 6:e4817. https://doi.org/10.7717/peerj.4817

    Article  PubMed  PubMed Central  Google Scholar 

  24. Lundberg SM, Nair B, Vavilala MS et al (2018) Explainable machine-learning predictions for the prevention of hypoxaemia during surgery. Nat Biomed Eng 2:749–760. https://doi.org/10.1038/s41551-018-0304-0

    Article  PubMed  PubMed Central  Google Scholar 

  25. Lyon A, Mincholé A, Martínez JP et al (2018) Computational techniques for ECG analysis and interpretation in light of their contribution to medical advances. J Royal Soc. https://doi.org/10.1098/rsif.2017.0821

    Article  Google Scholar 

  26. McCarthy J, Minsky M, Rochester N, Shannon CE (1956) A proposal for the Dartmouth summer research project on artificial intelligence. https://web.archive.org/web/20080930164306/http://www-formal.stanford.edu/jmc/history/dartmouth/dartmouth.html. Zugegriffen: 11.07.2019

  27. McCulloch WS, Pitts W (1943) A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics 5:115–133. https://doi.org/10.1007/bf02478259

    Article  Google Scholar 

  28. Meskó B, Hetényi G, Győrffy Z (2018) Will artificial intelligence solve the human resource crisis in healthcare? BMC Health Serv Res. https://doi.org/10.1186/s12913-018-3359-4

    Article  PubMed  PubMed Central  Google Scholar 

  29. Minor L (2018) Will doctors be replaced by algorithms? https://scopeblog.stanford.edu/2018/09/11/will-doctors-be-replaced-by-algorithms/. Zugegriffen: 11.07.2019

  30. Pirracchio R, Petersen ML, Carone M et al (2015) Mortality prediction in intensive care units with the super ICU learner algorithm (SICULA): a population-based study. Lancet Respir Med 3:42–52. https://doi.org/10.1016/S2213-2600(14)70239-5

    Article  PubMed  Google Scholar 

  31. Rosenblatt F (1958) The perceptron: a probabilistic model for information storage and organization in the brain. Psychol Rev 65:386–408

    Article  CAS  Google Scholar 

  32. Sadrawi M, Fan S‑Z, Abbod MF et al (2015) Computational depth of anesthesia via multiple vital signs based on artificial neural networks. Biomed Res Int 2015:536863. https://doi.org/10.1016/S2213-2600

    Article  PubMed  PubMed Central  Google Scholar 

  33. Saeed M, Villarroel M, Reisner AT et al (2011) Multiparameter intelligent monitoring in intensive care II: a public-access intensive care unit database. Crit Care Med 39:952–960. https://doi.org/10.1097/CCM.0b013e31820a92c6

    Article  PubMed  PubMed Central  Google Scholar 

  34. Samuel AL (1959) Some studies in machine learning using the game of checkers. IBM J Res & Dev 3:210–229. https://doi.org/10.1147/rd.33.0210

    Article  Google Scholar 

  35. Schmidt C (2017) M. D. Anderson breaks with IBM watson, raising questions about artificial intelligence in oncology. JNCI J Natl Cancer Inst. https://doi.org/10.1093/jnci/djx113

    Article  PubMed  Google Scholar 

  36. Scicluna BP, van Vught LA, Zwinderman AH et al (2017) Classification of patients with sepsis according to blood genomic endotype: a prospective cohort study. Lancet Respir Med 5:816–826. https://doi.org/10.1016/S2213-2600(17)30294-1

    Article  PubMed  Google Scholar 

  37. Turing AM (1950) Computing machinery and intelligence. Mind LIX, S 433–460 https://doi.org/10.1093/mind/lix.236.433

    Book  Google Scholar 

  38. Vranas KC, Jopling JK, Sweeney TE et al (2017) Identifying distinct subgroups of ICU patients: a machine learning approach. Crit Care Med 45:1607–1615. https://doi.org/10.1097/CCM.0000000000002548

    Article  PubMed  PubMed Central  Google Scholar 

  39. Xu J, Yang P, Xue S et al (2019) Translating cancer genomics into precision medicine with artificial intelligence: applications, challenges and future perspectives. Hum Genet 138:109–124. https://doi.org/10.1007/s00439-019-01970-5

    Article  CAS  PubMed  PubMed Central  Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Klinik und Poliklinik für Anästhesiologie, Zentrum für Anästhesiologie und Intensivmedizin, Martinistr. 52, 20246, Hamburg, Deutschland

    J. Sassenscheidt & J. C. Kubitz

  2. Abteilung für Anästhesiologie, Intensivmedizin, Notfallmedizin, Schmerztherapie, Asklepios Klinik Altona, Paul‐Ehrlich‐Straße 1, 22763, Hamburg, Deutschland

    J. Sassenscheidt

  3. Klinik für Anästhesiologie, Universitätsklinikum Ulm, 89070, Ulm, Deutschland

    B. Jungwirth

Authors
  1. J. Sassenscheidt
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. B. Jungwirth
    View author publications

    You can also search for this author in PubMed Google Scholar

  3. J. C. Kubitz
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to J. C. Kubitz.

Ethics declarations

Interessenkonflikt

J. Sassenscheidt, B. Jungwirth und J.C. Kubitz geben an, dass kein Interessenkonflikt besteht.

Für diesen Beitrag wurden von den Autoren keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien.

Glossar

Big Data

bezeichnet den Umgang mit Datenmengen, die groß („volume“), unterschiedlich oder unstrukturiert („variety“) sowie schnell entstehend und anflutend („velocity“) sind

„Deep learning“

bezeichnet künstliche neuronale Netze, die mehrere „hidden layer“ haben

Regelbasierte Expertensysteme

sind eine Technik der künstlichen Intelligenz, bei der Algorithmen anhand von festgelegten Regeln im Sinne von „wenn X, dann Y“ zu einer Lösung kommen. Im Gegensatz zum „machine learning“ sind sie nicht lernfähig und können sich nicht an veränderte Bedingungen anpassen

„Features“

sind Eigenschaften eines zu untersuchenden Objekts oder Ereignisses

Künstliche Intelligenz

ist ein Sammelbegriff für Techniken, die intelligente Fähigkeiten zu simulieren oder nachzuahmen versuchen

Künstliche neuronale Netze

sind ein Teilgebiet des Machine learning, bei dem eine Vielzahl an Knotenpunkten („Neurone“) miteinander verbunden ist und der summierte Informationsfluss zwischen den einzelnen Knotenpunkten den Ausgabewert bestimmt

„Machine learning“

ist ein Teilgebiet der KI, bei dem Algorithmen durch Lernen mit bekannten Daten in die Lage versetzt werden sollen, prädiktive Aussagen zu treffen

„Target“

bezeichnet das Ergebnis, das durch ein ML-Modell vorhergesagt werden soll

Rights and permissions

Reprints and permissions

About this article

Check for updates. Verify currency and authenticity via CrossMark

Cite this article

Sassenscheidt, J., Jungwirth, B. & Kubitz, J.C. „Machine learning“ in der Anästhesiologie. Anaesthesist 69, 535–543 (2020). https://doi.org/10.1007/s00101-020-00764-z

Download citation

  • Published:

  • Issue Date:

  • DOI: https://doi.org/10.1007/s00101-020-00764-z

Schlüsselwörter

Keywords

Search

Navigation