KI-basierter Muskelultraschall zur Beurteilung der auf der Intensivstation erworbenen Schwäche (ACTIVATE)

Die auf der Intensivstation erworbene Schwäche (ICUAW) ist eine der häufigsten neuromuskulären Komplikationen bei Patienten, die auf der Intensivstation behandelt werden. Mit zunehmender Schwere der Erkrankung und insbesondere bei analgosedierten, beatmeten und deliranten Patienten mit eingeschränkter Kooperationsfähigkeit während der klinischen Untersuchung wird die Erkennung und Nachsorge von ICUAW eingeschränkt bis unmöglich. Die klinische Diagnose und Schweregradbeurteilung der ICUAW erfolgt in der Regel mit Hilfe etablierter Diagnosemethoden (z. B. (klinisch-neurologische Untersuchung, Medical Research Council-Sum Score, elektrophysiologische Untersuchungen), die jedoch bei mangelnder Mitarbeit des Patienten nicht regelmäßig durchgeführt werden können, was die Diagnose ICUAW verzögert und die Nachsorge erschwert. Der neuromuskuläre Ultraschall (NMUS) hingegen ist eine einfach anzuwendende, nicht-invasive Untersuchungsmöglichkeit, die weitgehend unabhängig von der Patientencompliance ist und zunehmend bei Patienten mit ICUAW untersucht wird. Es wurde gezeigt, dass NMUS ICUAW erkennen kann und bei der Beurteilung des Schweregrads einer Muskelschwäche hilfreich ist. Allerdings wird die standardisierte Aufnahme und Nachverfolgung mittels Scoring-Verfahren (z. B. der 4-Stufen-Heckmatt-Scala) vom Untersucher teilweise als subjektiv bewertet und jedes einzelne Ultraschallbild muss mit dem menschlichen Auge unter Berücksichtigung verschiedener Bildparameter aufgenommen werden . Um diese diagnostischen Einschränkungen zu überwinden, könnte künstliche Intelligenz (KI) eine sinnvolle Erweiterung oder sogar eine Alternative sein.

In der medizinischen Diagnostik (z. B. bei der Erkennung von Tumoren und der Organbeurteilung) und zunehmend auch bei der Analyse von Ultraschallbildern wird KI bereits vielfältig eingesetzt. In dieser Studie wollen die Forscher KI, insbesondere Convolutional Neural Networks (CNNs), nutzen, um Ultraschallbilder basierend auf Muskelschwäche in verschiedene Kategorien zu klassifizieren. Der Hauptvorteil des Einsatzes von KI für solche Aufgaben liegt in der damit verbundenen Automatisierung. Sobald ein KI-Modell anhand eines ersten Bildsatzes trainiert wurde, kann es neue, noch nie gesehene Bilder schnell kategorisieren und so den Zeit- und Arbeitsaufwand für die Diagnose erheblich reduzieren. KI-Modelle können große Datenmengen schnell und konsistent analysieren, was besonders im klinischen Intensivbereich von Vorteil ist. Ziel dieser Studie ist es, durch den Einsatz von KI die Erkennung und Klassifizierung von Muskelschwäche bei intensivmedizinisch behandelten Patienten zu trainieren. Eine Herausforderung bei KI-Modellen ist jedoch ihr „Black-Box“-Charakter, bei dem der Entscheidungsprozess nicht transparent ist. Um dieses Problem zu lösen, werden die Forscher erklärbare KI-Techniken (XAI) wie Grad-CAM (Gradient-weighted Class Activation Mapping) verwenden, um die spezifischen Bereiche der Ultraschallbilder zu visualisieren, auf die sich das KI-Modell bei seiner Analyse konzentriert. Dies trägt nicht nur zur Validierung der KI-Entscheidungen bei, sondern liefert auch Einblicke in die morphologischen Veränderungen der Muskeln, die mit unterschiedlichen Schwächegraden einhergehen.

Durch die Integration von KI und XAI möchte das Studienteam nicht nur die Erkennung und Kategorisierung von Muskelschwäche automatisieren, sondern auch unser Verständnis der zugrunde liegenden morphologischen Veränderungen in den Muskeln verbessern. Dieser duale Ansatz könnte zu einer genaueren und zuverlässigeren Diagnostik führen und letztendlich die Ergebnisse für Patienten auf der Intensivstation verbessern.