Intelligentes Lungenunterstützungssystem bei akutem Lungenversagen – IntelliLung

Intensivpatienten mit akutem Lungenversagen benötigen in der Regel eine Unterstützung der Lungenfunktion, die durch mechanische Beatmung und, in den meisten schweren Fällen, durch extrakorporalen Gasaustausch erreicht wird. Obwohl die mechanische Beatmung eine lebensrettende Therapie ist, hat sie das Potenzial, das Lungenversagen zu verschlimmern und die Hämodynamik zu beeinträchtigen. Derzeit gibt es verschiedene Strategien, um die Lunge vor Verletzungen durch das Beatmungsgerät zu schützen. Die Einstellungen können sich jedoch in Bezug auf die an die Lunge übertragene mechanische Energie und deren Verteilung über das Parenchym erheblich unterscheiden. Variablen am Beatmungsgerät und am extrakorporalen Lungenunterstützungsgerät können mit Hilfe von Optimierungsfunktionen und klinischen Empfehlungen automatisch eingestellt werden, aber die Handhabung durch Experten kann je nach klinischen Merkmalen der einzelnen Patienten dennoch von diesen Einstellungen abweichen. Die künstliche Intelligenz kann dazu verwendet werden, aus diesen Abweichungen sowie aus dem Zustand des Patienten zu lernen, um die Kombination der Einstellungen zu verbessern und eine Lungenunterstützung mit reduziertem Schädigungsrisiko zu erreichen. Das hier vorgeschlagene Projekt zielt auf die Entwicklung eines hybriden mechanischen Beatmungsgerätes/extrakorporalen Lungenunterstützungsgerätes ab, bei dem die Elemente drahtlos miteinander kommunizieren und auf künstlicher Intelligenz basierende Algorithmen verwenden, um die Versorgung von invasiv mechanisch beatmeten Patienten mit akutem Lungenversagen zu verbessern.

Ziel dieses Projekts ist die Entwicklung und Implementierung eines drahtlosen, auf künstlicher Intelligenz basierenden Systems für die mechanische Beatmung endotracheal intubierter Patienten, das in der Lage ist, die mechanische Beatmung über längere Zeiträume in sicherere Therapiekorridore zu leiten, um zu versuchen, beatmungsinduzierte Lungenverletzungen zu reduzieren.

Laufzeit: 07/2020 – 06/2022

Projektteam

• Prof. Dr. Jens Lehmann
• Dr. Sahar Vahdati