Skip to main content
Erweiterte Suche
Anmelden
nach oben
Wiener klinisches Magazin
Erschienen in:

01.12.2021 | Digitalisierung

Überwachung der Sedierung in der Endoskopie mit künstlicher Intelligenz

verfasst von: Dr. Jakob Garbe, Valentin Garbe, PD Dr. Jan W. Kantelhardt, Prof. Dr. Patrick Michl, Dr. Stephan Eisenmann, Prof. Dr. Jonas Rosendahl, PD Dr. Sebastian Krug

Erschienen in: Wiener klinisches Magazin | Ausgabe 6/2021

Einloggen, um Zugang zu erhalten

Zusammenfassung

Die Propofolsedierung während endoskopischer Eingriffe ist ein etabliertes und weitgehend sicheres Verfahren. Insbesondere bei langen Untersuchungen, Notfällen und Komorbiditäten steigt das Risiko für Sedierungszwischenfälle jedoch sprunghaft an. Ein objektives Verfahren, um die Sedierungstiefe zu überwachen, steht bisher nicht zur Verfügung. Für die Überwachung der Narkose entwickelte Monitore basieren auf einer automatisierten Auswertung des Elektroenzephalogramms (EEG). Bisherige Untersuchungen zum Einsatz dieser Narkosemonitore für die Endoskopiesedierung konnten nicht überzeugen. Der vorliegende Artikel befasst sich mit der EEG-basierten Erfassung der Sedierungstiefe durch klassische Methoden und Ansätze künstlicher Intelligenz mit neuronalen Netzen. Dabei werden die Besonderheiten der Auswertung von Zeitreihen mit speziellen Netzwerkarchitekturen beleuchtet.
Vorheriger Artikel panorama
Nächster Artikel Infektionsprophylaxe bei CED
Literatur
1.
Riphaus A, Wehrmann T, Hausmann J et al (2015) Update S3-Leitlinie „Sedierung in der gastrointestinalen Endoskopie“ 2014 (AWMF-Register-Nr. 021/014) [S3-guidelines “sedation in gastrointestinal endoscopy” 2014 (AWMF register no. 021/014). Z Gastroenterol 53:802–842CrossRef
2.
Dumonceau J‑M, Riphaus A, Schreiber F et al (2015) Non-anesthesiologist administration of propofol for gastrointestinal endoscopy: European Society of Gastrointestinal Endoscopy, European Society of Gastroenterology and Endoscopy Nurses and Associates Guideline—Updated June 2015. Endoscopy 47:1175–1189CrossRef
3.
Rex DK, Deenadayalu VP, Eid E et al (2009) Endoscopist-directed administration of Propofol: a worldwide safety experience. Gastroenterology 137:1229–1237CrossRef
4.
Qadeer MA, Vargo JJ, Khandwala F, Lopez R, Zuccaro G (2005) Propofol versus traditional sedative agents for gastrointestinal endoscopy: a meta-analysis. Clin Gastroenterol Hepatol 3:1049–1056CrossRef
5.
Behrens A, Kreuzmayr A, Manner H et al (2019) Acute sedation-associated complications in GI endoscopy (ProSed 2 Study): results from the prospective multicentre electronic registry of sedation-associated complications. Gut 68:445–452. https://​doi.​org/​10.​1136/​gutjnl-2015-311037
6.
Heo J, Jung MK, Lee HS et al (2016) Effects of bispectral index monitoring as an adjunct to nurse-administered propofol combined sedation during colonoscopy: a randomized clinical trial. Korean J Intern Med 31:260–266CrossRef
7.
Drake LM, Chen SC, Rex DK (2006) Efficacy of Bispectral monitoring as an adjunct to nurse-administered Propofol sedation for Colonoscopy: a randomized controlled trial. Am J Gastroenterol 101:2003–2007CrossRef
8.
v. Delius S, Salletmaier H, Meining A et al (2012) Bispectral index monitoring of midazolam and propofol sedation during endoscopic retrograde cholangiopancreatography: a randomized clinical trial (the EndoBIS study). Endoscopy 44:258–264CrossRef
9.
Caruso ALG, Bouillon TW, Schumacher PM, Luginbuhl M, Morari M (2007) Drug-induced respiratory depression: an integrated model of drug effects on the hypercapnic and hypoxic drive. Conf Proc IEEE Eng Med Biol Soc 2007:4259–4263
10.
Goudra B, Singh PM (2017) Failure of sedasys: destiny or poor design? Anesth Analg 124:686–688CrossRef
11.
Bard JW (2001) The BIS monitor: a review and technology assessment. AANA J 69:477–483PubMed
12.
Kreuer S, Wilhelm W (2006) The Narcotrend monitor. Best Pract Res Clin Anaesthesiol 20:111–119CrossRef
13.
Bischoff P, Schmidt G (2006) Monitoring methods: SNAP. Best Pract Res Clin Anaesthesiol 20:141–146CrossRef
14.
Rampil IJ (1998) A primer for EEG signal processing in anesthesia. Anesthesiology 89:980–1002CrossRef
15.
Bickford RG (1951) Use of frequency discrimination in the automatic electroencephalographic control of anesthesia (servo-anesthesia). Electroencephalogr Clin Neurophysiol 3:83–86CrossRef
16.
Jordan D, Stockmanns G, Kochs EF, Schneider G (2007) Median frequency revisited: an approach to improve a classic spectral electroencephalographic parameter for the separation of consciousness from unconsciousness. Anesthesiology 107:397–405CrossRef
17.
Schwilden H (2006) Concepts of EEG processing: from power spectrum to bispectrum, fractals, entropies and all that. Best Pract Res Clin Anaesthesiol 20:31–48CrossRef
18.
Klare P, Sander C, Prinzen M et al (2019) Automated polyp detection in the colorectum: a prospective study (with videos). Gastrointest Endosc 89:576–582.e1CrossRef
19.
Längkvist M, Karlsson L, Loutfi A (2014) A review of unsupervised feature learning and deep learning for time-series modeling. Pattern Recognit Lett 42:11–24CrossRef
20.
Abdi H, Williams LJ (2010) Principal component analysis. WIREs Comp Stat 2:433–459CrossRef
21.
Gareau DS, Correa da Rosa J, Yagerman S et al (2017) Digital imaging biomarkers feed machine learning for melanoma screening. Exp Dermatol 26:615–618CrossRef
22.
Goldberg Y (2017) Neural network methods for natural language processing. Morgan & Claypool, San RafaelCrossRef
23.
Jagannatha AN, Yu H (2016) Bidirectional RNN for medical event detection in electronic health records. Proc Conf 2016:473–482PubMedPubMedCentral
24.
Fan J, Li Q, Hou J, Feng X, Karimian H, Lin S (2017) A spatiotemporal prediction framework for air pollution based on deep RNN. Isprs Ann Photogramm Remote Sens Spatial Inf Sci IV-4/W2:15–22CrossRef
25.
Michielli N, Acharya UR, Molinari F (2019) Cascaded LSTM recurrent neural network for automated sleep stage classification using single-channel EEG signals. Comput Biol Med 106:71–81CrossRef
26.
27.
Hochreiter S, Schmidhuber J (1997) Long short-term memory. Neural Comput 9:1735–1780CrossRef
28.
Chung J, Gulcehre C, Cho K, Bengio Y (2015) Gated feedback recurrent neural networks
29.
Tonner PH, Bein B (2006) Classic electroencephalographic parameters: median frequency, spectral edge frequency etc. Best Pract Res Clin Anaesthesiol 20:147–159CrossRef
30.
Koskinen M, Seppänen T, Tuukkanen J, Yli-Hankala A, Jäntti V (2001) Propofol anesthesia induces phase synchronization changes in EEG. Clin Neurophysiol 112:386–392CrossRef
31.
32.
33.
34.
Garbe J, Kantelhardt JW, Grau J et al (2020) Artificial neural networks can detect the state of consciousness in sedation for endoscopy. United European Gastroenterol J 8(S8):729 (Abstract Issue of the 28th United European Gastroenterology Week Virtual 2020)
Metadaten
Titel
Überwachung der Sedierung in der Endoskopie mit künstlicher Intelligenz
verfasst von
Dr. Jakob Garbe
Valentin Garbe
PD Dr. Jan W. Kantelhardt
Prof. Dr. Patrick Michl
Dr. Stephan Eisenmann
Prof. Dr. Jonas Rosendahl
PD Dr. Sebastian Krug
Publikationsdatum
01.12.2021
Verlag
Springer Vienna
Erschienen in
Wiener klinisches Magazin / Ausgabe 6/2021
Print ISSN: 1869-1757
Elektronische ISSN: 1613-7817
DOI
https://doi.org/10.1007/s00740-021-00424-x

Weitere Artikel der Ausgabe 6/2021

Plädoyer für Träume

  • editorial

Ulmer Notfallalgorithmus

  • Notfallmedizin

Der unabsehbare Weg des Schicksals

  • Reportage

panorama

  • panorama

Next Generation Sequencing in der Pathologie

  • Pathologie

Die hämophagozytische Lymphohistiozytose bei kritisch kranken Patienten

  • Onkologie