Entwicklung und Bewertung eines Algorithmus zur präklinischen Sichtung (Klassifikation) von Patienten im Rettungsdienst

Die Sichtung von Patienten bei einem Massenanfall an Verletzten (MANV) ist ein unverzichtbarer Vorgang, der mit steigender Patientenanzahl zunehmend zeitintensiver wird. Wissenschaftlich fundierte Untersuchungen zu der Korrektheit von Sichtungsergebnissen im Rettungsdienst gibt es kaum. Anzunehmen ist, dass aufgrund der Seltenheit solcher Einsätze die Erfahrung der Einsatzkräfte, die sichten müssen, gering ist. Strukturierte und standardisierte Lösungsansätze existieren derzeit nur für die Vorsichtung; einen festen Sichtungsalgorithmus gibt es nicht.

Die Sichtung stellt ein typisches Klassifikationsproblem dar. Deshalb beschäftigt sich diese Bachelorarbeit mit der Frage, ob selbstlernende Computersysteme zur (Vor-)Sichtung im Rettungsdienst eingesetzt werden können. Zur vergleichenden Bewertung wurden drei verschiedene Ansätze zur Algorithmus-gestützten Sichtung entwickelt: ein neuronales Netz, ein Entscheidungsbaumklassifikator und ein regelbasierter Algorithmus. Diese Ansätze wurde mit fiktiven Patientendaten eines MANV hinsichtlich ihrer Übereinstimmung überprüft. Das neuronale Netz und der Entscheidungsbaumklassifikator erreichten Übereinstimmungen > 94 %, der regelbasierte Algorithmus ca. 87 %.

Zukünftig müsste anhand weiterer Untersuchungen mit realen Patientendaten überprüft werden, ob eine Übertragung auf die Realität mit einer ähnlich hohen Übereinstimmung möglich wäre. In der Realität wären solche computergestützten Ansätze vermutlich mittelfristig umsetzbar; Hardware für die digitale Patientendokumentation und Telemedizinsysteme findet zurzeit fast flächendeckend Einzug in den Rettungsdienst.

Inhaltsverzeichnis
1 Einleitung …1
1.1 Motivation …1
1.2 Problemstellung …1
1.3 Abgrenzung …2
1.4 Theoretische Grundlagen …3
1.4.1 Aufbau Sanitäts- und Rettungsdienst …3
1.4.2 Massenanfall an Verletzten (ManV) …4
1.4.3 Sichtung …5
1.4.4 Vorsichtungsalgorithmen …7
1.4.5 Patientenzustand …9
1.5 Scikit-learn …10
1.6 Lösungsansätze Klassifikation …11
1.6.1 Klassifikation mittels Algorithmus …11
1.6.2 Klassifikation mittels Machine- und Deep Learning …13
2 Methodik …19
2.1 Auswahl geeigneter Vitalparameter …19
2.2 Trainingsdaten …22
2.3 Bewertungskriterien …23
2.4 Entwicklung Algorithmus …24
2.5 Entwicklung Neuronales Netz …26
3 Ergebnis …27
3.1 Ergebnis Machine-/DeepLearning-Ansatz …27
3.1.1 Train-/Testsplit …27
3.1.2 Skalierung der Daten …27
3.1.3 Dimensionsreduzierung …28
3.1.4 Auswahl Feature-Kombination …29
3.1.5 Test im Start-NN …30
3.1.6 Anpassung Solver …30
3.1.7 Anpassung Aktivierungsfunktion …31
3.1.8 Anpassung Aufbau Netz / Topologie …32
3.1.9 Fertiges Neuronales Netz …33
3.2 Ergebnis Algorithmus …34
3.2.1 Verbrennungen …36
3.3.2 Kohlenstoffmonoxid …36
3.2.3 Biologische- und chemische Kampfstoffe …37
3.2.4 Explosionsexposition …38
3.2.5 Injury Severity Score …38
3.2.6 Kreislaufinstabilität …39
3.2.7 Neurologische Auffälligkeiten …40
3.2.8 Technische Realisierung …40
3.2.9 Decision-Tree-Classifier …42
3.2.10 Testergebnisse mSTaRT / mod. mSTaRT …43
3.2.11 Testergebnisse DTC …44
4 Diskussion …45
4.1 Bewertung der Lösungsansätze …45
4.2 Grenzen …46
4.3 Fazit …47
Literatur
Allgöwer M, Burri C (1967) „Schockindex“. In: Dtsch Med Wochenschr 1967; 92(43): 1947-1950.

Ashkenazi I, Kessel B, Khashan T, Haspel J, Oren M, Olsha O, Alfici R (2006) Precision of in-hospital triage in mass-casualty incidents after terror attacks. In: Prehospital and disaster medicine 21 (1): 20–23.


Bundesärztekammer Ausschuss „Notfall-/Katastrophenmedizin und Sanitätswesen“ (2007) Empfehlungen der Bundesärztekammer zur Fortbildung zum „Leitenden Notarzt“. 29. März 2007.

Burri C (1967) Arterieller Blutdruck, Puls, „Schockindex“ und zentraler Venendruck bei 30 hypovolämischen Patienten. In: Arch. f. klin. Chir 320 (1): 1–7.

Norm DIN 13050, 2015-04: Begriffe im Rettungswesen.

Dirks B (2006) Management des Massenanfalls von Verletzten/Erkrankten durch den Leitenden Notarzt. In: Notfall + Rettmed 9 (3): 333–346.

Dittmar MS, Wolf P, Bigalke M, Graf, BM, Birkholz T (2016) Nichtärztliche Vorsichtung beim Massenanfall von Verletzten. In: Notfall + Rettmed 19 (2): 108–114.

Dittmar MS, Wolf P, Bigalke M, Graf, BM, Birkholz T(2018) Primary mass casualty incident triage: evidence for the benefit of yearly brief re-training from a simulation study. In: Scandinavian journal of trauma, resuscitation and emergency medicine 26 (1): 35.

Domres B, Enke K, Lipp R (2005) Lehrbuch für präklinische Notfallmedizin. Berufskunde und Einsatztaktik. Bd. 4, 3. Aufl., Edewecht: Stumpf + Kossendey.

Ellebrecht N (2013) Die Realität der Sichtung. In: Notfall Rettungsmed 16 (5): 369–376.

Hauschild SW, Voß P, Wirtz S (2006) Präklinisches Management bei Explosionsverletzungen. In: Notfall + Rettmed 9 (5): 453–472.

Heller AR (2018) Großschadenslagen: Neue Konzepte zur Sichtung. In: Deutsches
Ärzteblatt 115 (31-32): 1432–1433.

Heller AR, Salvador N, Frank M, Schiffner J, Kipke R, Kleber C (2017) Diagnostische Güte von Vorsichtungsalgorithmen für den Massenanfall von Verletzten und Erkrankten. In: Der Anaesthesist 66 (10): 762–772.

Heller AR, Brüne F, Kowalzik B, Wurmb T (2018) Großschadenslagen: Neue Konzepte zur Sichtung. In: Dtsch Arztebl 115: 31-32.

Hornburger P (2012) Rettungsdienst und MANV-Einsätze. Hornburger Rettungsdienst und MANV-Einsätze. Konzepte für den Massenanfall an Verletzten am Beispiel der LH München. Berufsfeuerwehr München.

Kanz KG, Hornburger P, Kay MV, Mutschler W, Schäuble W (2006) mSTaRT-Algorithmus für Sichtung, Behandlung und Transport bei einem Massenanfall von Verletzten. In: Notfall + Rettmed 9 (3): 264–270.

Kühn D, Aechter J, Weidringer W (2010) Rettungsdienst heute. 5. Aufl., München: Urban & Fischer/Elsevier.

Luxem J, Runggaldier K, Karutz H, Flake F(Hrsg.) (2016) Notfallsanitäter Heute. 6. Aufl., München: Urban & Fischer/Elsevier.

Maglogiannis IG (2007) Emerging artificial intelligence applications in computer engineering. Real word AI systems with applications in eHealth, HCI, information retrieval and pervasive technologies. Amsterdam, Oxford: IOS Press (Frontiers in artificial intelligence and applications, v. 160).

Marung H, Birkholz T, Dittmar M (2015) Der Leitende Notarzt – etablierte Konzepte und neue Anforderungen. In: Notf.med. up2date 9 (04): 307–326.

Mell J (2010) Zuverlässigkeit und Genauigkeit von Pulsoximetern der dritten und vierten Generation unter besonderer Berücksichtigung des Alarmierungsverhaltens im klinischen Gebrauch. Dissertation. Friedrich-Alexander-Universität, Erlangen-Nürnberg, Medizinische Fakultät.

Neitzel C, Ladehof K (2015) Taktische Medizin. Berlin, Heidelberg: Springer Berlin Heidelberg.

o.V. (2006) Katastrophenmedizin – Leitfaden für die ärztliche Versorgung im Katastrophenfall 4. Aufl. Berlin: Bundesministerium des Inneren.

o.V. (2015) Standard-Einsatz-Regeln: Massenanfall von Verletzten und Erkrankten (MANV) Landsberg: ecomed.

o.V. (07. März 2005) Beladeliste Gerätewagen Sanitätsdienst des Landes NRW.

Oestern H-J (2008) Das Polytrauma. Präklinisches und klinisches Management. 1. Aufl., München: Urban & Fischer/Elsevier.

Offterdinger M, Ladehof K, Paul AO, Hansen M (2014) Eine einfache Checkliste als Hilfsmittel zur Vorsichtung mit dem mSTaRT-Algorithmus. In: Notfall + Rettmed 17 (5): 415–419.

Piek J (2002) Schädel-Hirn-Trauma. In: Notfall + Rettmed 5 (4): 309–318.

Rashid T (2017) Neuronale Netze selbst programmieren. Ein verständlicher Einstieg mit Python. Heidelberg: O’Reilly.

Reichle H, Wahlster I (2005) Notfallmanagement bei Schock. In: Notfall + Hausarztmedizin (Notfallmedizin) 31 (10): 492–496.

Scherer A (1997) Neuronale Netze. Wiesbaden: Vieweg+Teubner.

Schreiber J (2015) Arbeitsweisen einer Sanitätsgruppe im Einsatz- und Veranstaltungsdienst. 3. Aufl., Edewecht: Stumpf + Kossendey (= Segmente 5).

Sefrin P (2012) Sichtung – zentrales Element zur Bewältigung eines Großschadensfalls und einer Katastrophe. In: Notarzt 28 (5): 194–202.

Lese- und Kaufoptionen

Freier Zugang

Wenn Sie im Hochschulnetz (z.B. VPN) einer beteiligten Hochschule angemeldet sind, haben Sie freien Zugang zu allen Forschungsarbeiten auf der rettungsdienst-forschung.de. Zum Netzwerk gehören:

  • Akkon Hochschule Berlin
  • Fliedner Fachhochschule Düsseldorf
  • Medical School Hamburg (MSH)  
  • SRH Hochschule für Gesundheit Gera.

Sie haben keine Rechte zum Download.

Sind Sie Autor*in auf Rettungsdienst Forschung, dann melden Sie sich bitte an.
Sind Sie Angehörige*r einer beteiligten Hochschule, dann melden Sie sich bitte beim VPN-Netz der Hochschule an.


Kaufoptionen

Ansonsten bieten wir Ihnen die folgenden Möglichkeiten, auf die Abschlussarbeit zuzugreifen:

  • Erwerben Sie die Originalarbeit als PDF-Datei.
  • Erwerben Sie die Originalarbeit als Book on Demand.

Hier können Sie die Arbeit kaufen.