KI-basierte Personalisierung der Therapie des Schlaganfalls zur Outcome-Verbesserung

Abstract

Mit dieser Arbeit konnte gezeigt werden, dass eine Anwendung von KI-basierten Ansätzen in der Schlaganfallbehandlung zu einer Personalisierung der Therapiestrategie und einer Verbesserung des Outcomes führen kann. Wir haben erstmals in großem Umfang multidimensionale Daten für die Entwicklung KI-basierter Modelle zur Verbesserung der Akutbehandlung des Schlaganfalls nutzbar gemacht und auf deren Grundlage reliable, akkurate und nachvollziehbare Algorithmen entwickelt. Zum einen konnten wir ein Framework zur Simulation der Hämodynamik der Hirngefäße entwickeln und hiermit erstmals für zerebrovaskulären Erkrankungen einen simulationsbasierten Ansatz im Sinne einer Präzisionsmedizin konzipieren und entwickeln. Darüber hinaus konnten wir erfolgreich Daten mittels generativen Ansätzen, hier mit Generative Adversarial Networks (GANs), synthetisieren, um der Herausforderung der Datenknappheit für die Entwicklung von KI-Modellen insbesondere im Bereich von Bilddaten zu begegnen. Mit der abschließenden Arbeit konnte gezeigt werden, dass die Zusammenführung dieser wissenschaftlichen Erkenntnisse als Grundlage für eine Machine Learningbasierte Entscheidungsunterstützung zur Behandlung des akuten Schlaganfalls dienen kann. Für die Anwendung einer KI-basierten Entscheidungsunterstützung sind in der Praxis noch verschiedene Validierungsschritte in Bezug auf den medizinischen Nutzen und die Implementierung in den klinischen Workflow zu durchlaufen. Insbesondere muss klar gezeigt werden, dass durch die Anwendung der Methoden und Modelle ein messbarer klinischer Nutzen für die Patienten entsteht (Outcome-Verbesserung). Insgesamt konnte durch die Entwicklung von KI-Modellen und Algorithmen somit der Grundstein für eine Therapieunterstützung auf Basis der individuellen Features, beziehungsweise Charakteristika des Individuums erfolgreich gelegt werden. Damit ist für ein klinisches Unterstützungssystem für die Behandlung des akuten Schlaganfalls, welches Ärztinnen und Ärzte durch zusätzliche Informationen eine personalisierte und damit bessere Therapiestratifizierung ermöglicht, der Grundstein gelegt worden. Dass die vorgelegte Arbeit eine große Reichweite und einen wissenschaftlichen Impact hat, zeigt die Tatsache, dass die Weiterentwicklung, Validierung und Implementierung der entwickelten Modelle und Algorithmen momentan schon in weiteren Projekten praktisch durchgeführt wird.