DE102020204632A1 - Verfahren, Computerprogramm, System, und Beatmungsmaschine, zur Ermittlung patientenspezifischer Beatmungsparameter an einer Beatmungsmaschine - Google Patents

Abstract

Die Erfindung bezieht sich auf ein computerimplementiertes Verfahren, ein Computerprogramm, ein System, und eine Beatmungsmaschine, zur Ermittlung von patientenspezifischen Beatmungsparametern zur Einstellung einer Beatmungsmaschine, mittels welcher der Patient beatmet werden soll.

Description

• Die Erfindung bezieht sich auf ein computerimplementiertes Verfahren, ein Computerprogramm, ein System und eine Beatmungsmaschine, zur Ermittlung eines patientenspezifischen Beatmungsparameters zur Einstellung einer Beatmungsmaschine, mittels welcher der Patient beatmet werden soll.
• Bei schwerwiegenden Erkrankungen der Lunge und der damit oftmals einhergehenden Mangelversorgung des Blutes mit durch die Lunge aufgenommenem Sauerstoff bzw. der ungenügenden Reduzierung von über die Lunge abgegebenem Kohlenstoffdioxid muss der Patient in vielen Fällen mithilfe von Geräten am Leben erhalten werden, welche den hinreichenden Gasaustausch zwischen Umwelt und Organismus, genauer gesagt dem Blut des Organismus, zur Aufrechterhaltung der Vitalfunktionen gewährleisten. Das häufigste gewählte Hilfsmittel zur Aufrechterhaltung eines hinreichenden Gasaustauschs ist hierbei die Beatmungsmaschine, welche über eine druck- oder volumengesteuerte Pumpvorrichtung ein Gasgemisch mit einem präzise veränderbaren Sauerstoffanteil in die Lunge des Patienten hinein- und wieder heraus befördert, bspw. anhand eines sich zyklisch wiederholenden Druck- oder Volumenverlaufs.
• Bei manchen Erkrankungen der Lunge wie z.B. im Falle des akuten Lungenversagens oder Acute Respiratory Distress Syndrome (ARDS) muss die Beatmung in Form der veränderbaren Parameter am Beatmungsgerat präzise und hochindividuell auf den jeweiligen Patienten angepasst werden. Diese Personalisierung der Beatmung gestaltet sich oft derart komplex, dass im Zuge des mehrfach notwendigen Nachjustierens der Parameter beatmungsinduzierte Schäden an der Lunge auftreten können, welche bis zum Tod des Patienten führen können. Dieses Problem stellt sich insbesondere auch bei schweren Fällen von Coronavirus- (COVID-19) Erkrankungen. Die Feineinstellung der Beatmungsparameter ist der Schlüssel zur Reduktion der enorm hohen Mortalität bei ARDS von bis zu 40% selbst in spezialisierten Kliniken. Die Beurteilung der Beatmung in Bezug auf deren Schädlichkeit für die beatmete Lunge ist gegenwärtig nur indirekt und in sehr groben Zügen möglich. Der medizinische Goldstandard arbeitet mit statistisch validierten Beatmungswerten und Richtgrößen sowie Behandlungsempfehlungen im Rahmen der sog. lungenprotektiven Beatmung, welche auf Grundlage von Erfahrungswerten heuristisch am Patienten getestet werden, d.h. auf Daten der Vergangenheit beruhen.
• Die vorliegende Erfindung stellt sich die Aufgabe, für eine maschinelle Beatmung eines Patienten den Beatmungsparameter einer Beatmungsmaschine systematisch zu bestimmen, um nachfolgend eine möglichst effiziente und schonende Beatmung zu erreichen.
• Diese Aufgabe wird gelöst durch das Verfahren gemäß Anspruch 1, das Computerprogrammprodukt gemäß Anspruch 22, das System gemäß Anspruch 24 und die Beatmungsmaschine gemäß Anspruch 25.
  Das erfindungsgemäße Verfahren dient der automatisierten Ermittlung optimaler Beatmungsparameter θ_b,opt zur maschinellen Beatmung von Patienten, und weist die computerimplementierten, d.h. mittels mindestens einer Datenverarbeitungseinrichtung umsetzbaren, Schritte auf:
• • Bereitstellen eines patientenspezifischen digitalen Lungenmodells, Eingabe initialer Input - Beatmungsparameter θ_b,init als Beatmungsparameter θ_b,i = θ_b, init;
• • Iteratives Durchführen der folgenden Schritte (i) bis (iii), bis zur Erfüllung eines Abschlusskriteriums, welches das Erreichen optimaler patientenspezifischer Beatmungsparameter θ_b,i = θ_b,opt prüft und/oder das Erreichen einer vorbestimmten Anzahl von Iterationen vorsieht;
  • i) Auswerten der am Lungenmodell in Abhängigkeit von dem Beatmungsparameter θ_b,i simulierten maschinellen Beatmung, durch Ermitteln des Wertes mindestens einer patientenspezifischen Zielfunktion F = F(θ_b,i) aus dem Lungenmodell, wobei die Zielfunktion F eine Lungenreaktion auf die simulierte maschinelle Beatmung in Abhängigkeit von mindestens einem Output-Parameter des Lungenmodells beschreibt,
  • ii) Bewerten des mindestens einen ermittelten Wertes der Funktion F anhand mindestens einer vorbestimmten Referenzgröße, und Auswahl mindestens eines nächsten Beatmungsparameters θ_b,next, unter Verwendung eines von mindestens einem zuvor verwendeten Beatmungsparameter θ_b,i abhängigen Auswahlverfahrens;
  • iii) Verwendung des mindestens einen nächsten Beatmungsparameters θ_b,next als Beatmungsparameter θ_b,i zur Ermittlung von F = F(θ_b,i = θ_b,next) in Schritt i);
• • Bereitstellen des patientenspezifischen optimalen Beatmungsparameters θ_b, opt.
• Die Erfindung beruht auf der Idee, die Einstellungen einer Beatmungsmaschine bzgl. ihrer Eignung für den individuellen Patienten systematisch und unter Verwendung einer modellbasierten, personalisierten, rechnerbasierten Vorhersage zu ermitteln, bevor diese am Beatmungsgerät appliziert werden, so dass der Patient schließlich möglichst ideal, d.h. schonend und effizient beatmet wird. Die Beatmungseinstellungen der Beatmungsmaschine werden insbesondere parametrisiert und können als vektorwertige Größe (Beatmungsparameter θ_b) beschrieben werden. Sie werden als Modellinputgrößen verwendet (Schritt (i)) und sukzessive (iterativ in den Schritten (i) bis (iii)) verbessert, indem sie anhand einer dem Schritt (i) nachgelagerten Bewertung (ii) der simulierten bzw. physikalischen Lungenreaktion bzw. Ergebnisgrößen (Output-Größen des Modells der Lunge) sukzessive, d.h. von Iteration zu Iteration, mithilfe eines Auswahlverfahrens geändert werden, das insbesondere nicht auf das Lungenmodell zurückgreift das insbesondere weniger Rechenaufwand als das Lungenmodell erzeugt und und das deshalb schneller ausführbar ist.
• Das erfindungsgemäße Verfahren ist nicht zu verwechseln mit dem therapeutischen Verfahren der (künstlichen) Beatmung des Patienten durch eine Beatmungsmaschine, insbesondere beinhaltend die Schritte des Anschließens oder Trennens des Patienten von einer Beatmungsmaschine, - dieses therapeutische Verfahren ist nicht Gegenstand der Erfindung.
• Als optimaler Beatmungsparameter θ_b,opt wird insbesondere ein solcher Beatmungsparameter angesehen, der zu einer für den Patienten physiologisch akzeptablen Beatmung bzw. Lungenreaktion F führt, was mittels der medizinisch indizierten, vorbestimmten Referenzgrößen geprüft wird. Selbst wenn bereits ein in diesem Sinne geeigneter Beatmungsparameter gefunden ist, kann das Verfahren noch weiter verbesserte, d.h. zu einer schonenderen bzw. effizienteren Beatmung führende Beatmungsparameter auffinden, wenn die Iterationen (i) bis (iii) weiter fortgesetzt werden, z.B. bis zum Erreichen einer vorbestimmten Anzahl von Iterationen.
• Das Verfahren ist vorzugsweise dazu eingerichtet, d.h. insbesondere programmiert, dass mindestens eine Iteration durchgeführt wird, d.h. dass das Verfahren nach dem Schritt (iii) mindestens einmal zum Schritt (i) zurückkehrt. Das Verfahren ist vorzugsweise dazu eingerichtet, d.h. insbesondere programmiert, um nach dem Schritt (iii) mindestens einmal zum Schritt (ii) zurückzukehren. Das Verfahren ist vorzugsweise dazu eingerichtet, d.h. insbesondere programmiert, um mindestens einen nächsten Beatmungsparameter θ_b,next auszuwählen und als Input-Größe für das Lungenmodell zu verwenden. Das Verfahren ist vorzugsweise dazu eingerichtet, d.h. insbesondere programmiert, dass der Optimierungsdurchlauf (i) bis (iii) der Optimierungsschleife (Iteration) mindestens einmal, zweimal, vorzugsweise K-mal durchgeführt wird, z.B. K = 10, 15, 20, 25, 30, 50, 100.
• Vorzugsweise ist das erfindungsgemäße Verfahren, insbesondere das Lungenmodell und/oder das Auswahlverfahren dazu eingerichtet, d.h. insbesondere programmiert, einen oder mehrere optimale Beatmungsparameter θ_b,opt in möglichst kurzer Zeit zu bestimmen. Auf diese Weise wird Rechenleistung gespart, bzw. der apparative Aufwand zur Implementierung des erfindungsgemäßen Verfahrens sinkt.
• Die Vorhersage des optimalen Beatmungsparameters gemäß der Erfindung verwendet ein personalisiertes Berechnungsmodell der Lunge, das zur Erzeugung von Daten bezüglich der Eignung und Auswahl der bestmöglichen Beatmungseinstellungen für den Patienten dient. Ein zur Ausführung der Erfindung geeignetes, digitales Lungenmodell wird beschrieben im Dokument von „C.J. Roth et al., A comprehensive computational human lung model incorporating inter-acinar dependencies: Application to spontaneous breathing and mechanical ventilation, Journal of Numerical Methods in Biomedical Engineering 2016; e02787 DOI: 10.1002/cnm.2787“. Dieses Lungenmodell wird weiter unten noch beschrieben. Die Erfindung lässt sich aber auch mit Abwandlungen dieses Lungenmodells, oder mit jedem anderen digitalen Lungenmodell ausführen, das geeignet ist, die Reaktion der Lunge auf die Beatmung, also in Abhängigkeit von den Beatmungsparametern einer Beatmungsmaschine, als Zielfunktion F zu quantifizieren.
• Die aus dem Lungenmodell berechnete Lungenreaktion bzw. Zielfunktion F ist patientenspezifisch, da das Lungenmodell patientenspezifisch ist. Das Lungenmodell ist insbesondere deshalb patientenspezifisch, weil es basierend auf Messdaten der Patientenlunge gewonnen wurde, insbesondere basierend auf Bilddaten der Patientenlunge gewonnen wurde und/oder durch Einstellung mindestens eines Lungenmodellparameters θ_m an eine patientenindividuelle Eigenschaft, insbesondere an die physische Eigenschaft der Lunge eines Patienten (siehe Kalibrierung), durch eine Patienten- bzw. Krankheitshistorie oder genetische Merkmale, angepasst wurde. Insbesondere wird vor dem Starten des Verfahrens das Lungenmodell, welches insbesondere basierend auf Bilddaten der Patientenlunge ermittelt worden sein kann, mittels einer Beatmungskurve des Patienten, die mindestens einen Atemzug des Patienten, und/oder einem speziellen Beatmungsmanöver, wie bspw. einem Low-Flow-Manöver aufweist und/oder einer Ösophagusdruckmessung kalibriert. Eine Beatmungskurve im Sinne der Erfindung besteht aus einer Druck-Zeit-Kurve p_trachea (t) und/oder einer Fluss-Zeit-Kurve Q_trachea (t) und/oder einer Volumen-Zeit-Kurve v_trachea(t) und/oder einer Atemgasgemischzusammensetzungs-Zeit-Kurve oder daraus abgeleiteten Kurven oder insbesondere Kombinationen dieser Messkurven. Die Kurven ergeben sich hierbei aus der Einstellung des Beatmungsgeräts und des beispielsweise metabolischen, biologischen, bio-chemischen, insbesondere physikalischen Antwortverhaltens des Patienten. Bei der Kalibrierung werden mindestens einer, mehrere oder alle Parameter θ_m angepasst. Insbesondere die Materialparameter der Aveolen-Cluster (ACs) und/oder weitere Materialparameter. Insbesondere kann auch eine patientenspezifische, volumenabhängige Pleuraldruckrandbedingung kalibriert sowie weitere Parameter θ_m.
• Für einen Fachmann sind beispielweise aus „C.J. Roth et al., Coupling of EIT with computational lung modeling for predicting patient-specific ventilator responses, Journal of Applied Physiology 122: 855-867, 2017; DOI: 10.1152/japplphysiol.00236.2016“ aus den Angaben auf Seite 856 ff. „Method Part“ die Modellparameter θ_m, welche für eine Kalibrierung benützt werden, entnehmbar.
• Vorzugsweise ist das mindestens eine Lungenmodell patientenspezifisch, indem es insbesondere von einem Mediziner für diesen Patienten aus einer Datenbank von vorbestimmten Lungenmodellen ausgewählt wurde, die in Kategorien unterteilt sein können, z.B. in Abhängigkeit von Geschlecht, Alter, Gewicht, Erkrankung, und/oder Körperzustand, wobei der Mediziner die Zuordnung des Patienten zu einer dieser Kategorien von Lungenmodellen vornimmt, so dass das Lungenmodell (auch) für den individuellen Patienten verwendbar ist.
• Das Lungenmodell wird insbesondere als digital bezeichnet, weil mindestens eine physische Eigenschaft der Lunge durch Daten und/oder mindestens einen Algorithmus beschrieben wird.
• Die mindestens eine Zielfunktion F ist vorzugsweise eine Zielfunktion B und/oder eine Zielfunktion N, wobei N die Anreicherung von Gas im Blut der Lunge beschreibt als Funktion mindestens eines Output-Parameters des Lungenmodells, wobei der mindestens eine Output-Parameter einen Gaspartialdruck im Blut des Patienten beschreibt, und B die mechanische Belastung der Lunge beschreibt als Funktion mindestens eines Output-Parameters des Lungenmodells wobei der mindestens eine Output- Parameter eine mechanische Belastungsgröße der Lunge des Patienten beschreibt. Vorzugsweise verwendet das Verfahren genau die beiden Zielfunktionen B und N. Es ist aber auch möglich und bevorzugt, dass das Verfahren andere Zielfunktionen, oder statt B oder N mindestens eine andere oder weitere Zielfunktion zur Beschreibung einer Lungenreaktion verwendet.
• Vorzugsweise beschreibt die Funktion B die durch die Beatmung hervorgerufene mechanische Belastung mittels einer Dehnung ε(x, t) des Lungengewebes und/oder eines in der Lunge herrschenden Drucks p(x, t). Vorzugsweise beschreibt die Funktion B eine Abhängigkeit von der Dehnung B(ε(x, t)) und/oder dem Druck B(p(x, t)) in der Lunge. Vorzugsweise beschreibt die Funktion B zusätzlich, oder beschreibt eine weitere Funktion B₂ die durch die Beatmung hervorgerufene mechanische Belastung mittels dem Kollaps c(x, t) und/oder der Wiedereröffnung r(x,t) (auch als „re-opening“ bezeichnet) der Atemwege und/oder Alveolen und/oder eines grenzflächenaktiven Faktors der Lungenbläschen sf(x, t). Vorzugsweise beschreibt die Funktion B zusätzlich, oder B₂ zusätzlich, oder beschreibt eine weitere Funktion B₃ die durch die Beatmung hervorgerufene mechanische Belastung mittels eines grenzflächenaktiven Faktors der Lungenbläschen sf(x, t), insbesondere eines lung surfactant. Der Lung surfactant ist insbesondere bekannt als eine von Pneumozyten Typ II in der Lunge produzierte und auf die Oberfläche des alveolären Epithels als Sekret abgesonderte, oberflächenaktive Substanz.
• Vorzugsweise beschreibt die Funktion N mindestens den durch die Beatmung hervorgerufenen Gaspartialdruck von Sauerstoff µ(02) und/oder Kohlendioxid µ(002) im venösen oder arteriellen Blut der Lunge.
• Vorzugsweise beinhaltet das Auswahlverfahren zur Auswahl nächster Beatmungsparameterwerte θ_b,next einen Algorithmus, insbesondere ein Optimierungsverfahren nach Bayes, der/das insbesondere unter Verwendung einer oder mehrerer Gaußprozesse, Random Forrests, künstlicher neuronaler Netze oder anderer Regressionsmodelle umgesetzt wird, einen Fuzzylogic-Algorithmus, einen auf einem Evolutionsverfahren basierenden Algorithmus, einen Gradientenverfahren beinhaltenden Algorithmus, und/oder einen auf stochastischen Techniken basierenden Algorithmus.
• Ein Optimierungsverfahren nach Bayes wird beschrieben von „Snoek, J. et al. Practical Bayesian Optimization of Machine Learning Algorithms, Advances in Neural Information Processing Systems, 2012. Weitere Beschreibungen, insbesondere von den Regressionsmodellen finden sich in „B. Shahriari, K. Swersky, Z. Wang, R.P. Adams, N. de Freitas, Taking the human out of the loop: A review of bayesian optimization, Proceedings of the IEEE, 2016; vol. 104, no. 1, pp. 148-175.“ Ein auf die vorliegende Erfindung angewandtes Verfahren nach Bayes wird nachfolgend noch beschrieben.
• Weitere Algorithmen, insbesondere einen Gradientenverfahren beinhaltenden Algorithmus, werden beschrieben in Fletcher R., Practical Methods of Optimization, Print ISBN:9780471915478, Online ISBN:9781118723203, DOI:10.1002/9781118723203, 1987 by John Wiley & Sons, Ltd. Auf stochastischen Techniken basierende Algorithmen werden beschrieben in Spall, J. C., Introduction to Stochastic Search and Optimization, 2003; Wiley. ISBN 978-0-471-33052-3.
• Vorzugsweise basiert das Auswahlverfahren zur Auswahl mindestens eines nächsten Beatmungsparameters Q_b,next auf einem probabilistischen Regressionsverfahren, das von mindestens einem, zuvor ermittelten Datensatz Ti = (0_b,i, F(θ_b,i)) abhängt, und einer Akquisitionsfunktion zur Auswahl nächster Beatmungsparameterwerte θ_b,next, insbesondere ein Regressionsverfahren auf Basis von einem Gaußprozess.
• Vorzugsweise beinhaltet das Auswahlverfahren zur Auswahl mindestens eines nächsten Beatmungsparameters θ_b,next, eine Akquisitionsfunktion, die den Erwartungswert der Verbesserung verwendet („expected-improvement Funktion“), insbesondere unter Berücksichtigung von Nebenbedingungen („expected-constrained-improvement Funktion“).
• Vorzugsweise beinhaltet das Auswahlverfahren zur Auswahl mindestens eines nächsten Beatmungsparameters θ_b,next, eine Akquisitionsfunktion, die eine Entropiesuche verwendet, oder die einen Knowledge-Gradienten verwendet.
• Vorzugsweise wird der Beatmungsparameter θ_b,i durch eine Menge von Parametern beschrieben, die den Druck-Zeit-Verlauf und/oder den Volumen-Zeit-Verlauf eines Atemzugs beschreiben, wobei insbesondere θ_b,i ausgewählt ist aus der Gruppe möglicher und bevorzugter Parameter θ_b,i = {p_insp, PEEP, t_insp, t_exp, t_plataue, f, FiO₂, ṗ_up, ṗ_down }. Vorzugsweise ist in Schritt (ii) vorgesehen, mindestens einen nächsten Beatmungsparameter θ_b,next zu bestimmen, vorzugsweise mehrere nächste Beatmungsparameter θ_b,next zu bestimmen, insbesondere durch parallele Berechnung. Die Parameter eines Beatmungsparameters können verschiedene Werte aufweisen, im Einzelnen auch bezeichnet als „Parameterwerte“ und insgesamt auch bezeichnet als „Beatmungsparameterwerte“. Mit „Bestimmung eines nächsten Beatmungsparameters“ ist im Rahmen dieser Erfindung gemeint, dass der aus mehreren Parametern bestehende vektorwertige, insbesondere eindeutig dimensionierte, Beatmungsparameter so geändert wird, dass sich dessen Beatmungsparameterwerte in Bezug auf zumindest einen Parameterwert von bereits zuvor getesteten Beatmungsparametern unterscheiden.
• Vorzugsweise wird in Schritt (ii) des Verfahrens die patientenspezifische Funktion B bewertet, unter Berücksichtigung der mindestens einen Nebenbedingung, dass die patientenspezifische Funktion N eine vorbestimmte Referenzgröße nicht unterschreitet oder überschreitet, wobei insbesondere N den Output-Parameter „Sauerstoffpartialdruck µ(O2)“ berücksichtigt und die Nebenbedingung beinhaltet, dass der Sauerstoffpartialdruck µ(02) die Referenzgröße S_o2 der Anreicherung des im Blut des Patienten angereicherten Sauerstoffs nicht unterschreitet, und wobei insbesondere S_o2, insbesondere als eine patientenspezifische Referenzgröße vorbestimmt ist. Bewertet im Sinne der Erfindung bedeutet insbesondere einen Vergleich mit bisher erhaltenen Werten für andere Beatmungsparameter θ_b,i oder/und ein Abgleich mit Werten oder Grenzen für B aus der Literatur oder der medizinischen Praxis.
• Vorzugsweise beinhaltet Schritt (ii) des Verfahrens, dass, als eine patientenspezifische Referenzgröße, insbesondere eine maximale Dehnung B_max(ε(x, t)) und/oder Druck B_max(p(x,t)) innerhalb der Lunge nicht überschritten werden darf, und/oder eine Sauerstoffsättigung S_o2 nicht unterschritten werden darf.
• Vorzugsweise wird in Schritt (iii) mindestens ein neuer Beatmungsparameter θ_b,i durch einen Bayes'schen Optimierungsschritt bestimmt. Alternative kann der Beatmungsparameter auch über systematische (stochastische oder deterministische) Verfahren variiert werden. Eine systematische Variation ist einer Rastersuche (grid-search) vorzuziehen, da dadurch ein Effizienzgewinn bzw. eine verkürzte Laufzeit und reduzierter Rechenaufwand des Verfahrens zur Auffindung geeigneter Beatmungsparameter resultiert.
• Vorzugsweise wird ein Satz initialer Input - Beatmungsparameter θ_b,1:J,init mittels eines zufälligen oder quasi-zufälligen Verfahrens, insbesondere Monte-Carlo oder Latin-Hyper-Cube Sampling erstellt.
• Vorzugsweise werden in Schritt (ii) die Funktionswerte der Funktion B, die aus dem mindestens einen Output - Parameter durch Simulation des Satzes der initialen Input - Beatmungsparameter θ_b,i:j,init berechnet wurden, zum Trainieren eines Gaußmodells verwendet.
• Vorzugsweise werden in Schritt (ii) die Funktionswerte der Funktion B, die aus dem mindestens einen Output - Parameter durch Simulation des Satzes nächster Input - Beatmungsparameter θ_b,next berechnet wurden, zum weiteren Trainieren des Gaußmodells verwendet werden, in Ergänzung zu den aus den vorherigen Auswertungen erhaltenen Funktionswerten der Funktion B, so dass das Gaußmodell sukzessive an einer größeren Datenmenge trainiert wird. Anders ausgedrückt tragen alle ermittelten Funktionswerte dazu bei, die Form der Funktion B zu bestimmen, so dass durch das mehr und mehr trainierte Gaußmodell immer zutreffender abgeschätzt wird, welche Parameter erfolgsversprechend sind, ohne dabei über tatsächlich berechnete Funktionswerte in allen Bereichen der Funktion B zu verfügen.
• Vorzugsweise ist in Schritt (ii) die Auswahlfunktion eine Akquisitionsfunktion, welche mindestens einen nächsten Beatmungsparameterwert θ_b,next unter Berücksichtigung einer Verbesserungsfunktion Ĩ(θ_b,next) auswählt und die Verbesserungsfunktion wie folgt berechnet wird: $\tilde{I}\left({\theta }_{b,next}\right)=\text{max}\left\{\mathrm{0,}\text{ B}\left({\mathrm{\theta }}_{\text{b}}^{+}\right)-\tilde{\text{B}}\left({\theta }_{b,next}\right)\right\},$

  

  wobei B̃(·)die Posterior-Verteilung des Ersatzmodells an der Stelle θ_b,next und $\text{B}\left({\theta }_b^{+}\right)$

  

  den Funktionswert mit bisher geringster mechanischer Belastung als Funktion des bisher geeignetsten Beatmungsparameters ${\theta }_b^{+}$

  

  darstellen, und die Akquisitionsfunktion sich als Produkt aus dem Erwartungswert der Verbesserungsfunktion Ĩ(θ_b,next ), gemäß $EI=\mathbb{E}\left[\tilde{I}\left({\theta }_{b,next}\right)|{\theta }_{b,next}\right]$

  

  und einer zusätzlichen Funktion Δ(θ_b,next ) zusammensetzt zu $\tilde{\Delta }\left({\theta }_{b,next}\right)\ast \mathbb{E}\left[\tilde{I}\left({\theta }_{b,next}\right)|{\theta }_{b,next}\right],$

  

  ) wobei sich Δ̃ ergibt aus einer Indikatorfunktion Δ , die 1 ist, falls die Funktion N(θ_b,next) kleiner oder größer als eine vorbestimmte Referenzgröße ist und null sonst, und dem Einsetzen eines probabilistischen Ersatzmodells Ñ(θ_b,next), insbesondere auf Basis eines Gaußprozesses.
• Vorzugsweise ist das patientenspezifische Lungenmodell patientenspezifisch, indem es in Abhängigkeit gemessener Bilddaten der Lunge des Patienten erstellt worden ist. Vorzugsweise wurden die Bilddaten durch ein bildgebendes Verfahren am Patienten gewonnen, insbesondere mittels Computertomographie (CT), Magnetresonanztomographie (MRT) Ultraschall, Röntgenaufnahme oder Elektroimpedanztomographie (EIT)
• Vorzugsweise ist das patientenspezifische Lungenmodell patientenspezifisch, indem es mittels Messdaten von Patienten erstellt worden ist, indem vorzugsweise vor dem Starten des Verfahrens das patientenspezifische Lungenmodell mittels einer Beatmungskurve des Patienten, die mindestens einen Atemzug des Patienten aufweist, und/oder einem speziellen Beatmungsmanöver, wie bspw. einem Low-Flow-Manöver und/oder einer Ösophagusdruckmessung kalibriert wird. Hierbei werden mindestens einer, mehrere oder alle Parameter 0", kalibriert, d.h. die Werte der Modellparameter werden mittels der Beatmungsparameter mindestens teilweise festgelegt.
• Vorzugsweise ist die mindestens eine vorbestimmte Referenzgrößen patientenspezifisch, indem sie insbesondere von einem Mediziner für diesen Patienten festgelegt wurde, indem sie sich aus medizinischen Erfahrungswerten für eine Patientenkategorie (Geschlecht, Alter, Gewicht, Erkrankung, Körperzustand) ableitet, zu der der Patient gerechnet wird, oder indem sie durch separate Messung am Körper des Patienten ermittelt wurde.
• Die Erfindung betrifft auch ein Computerprogrammprodukt, verwendend ein digitales Lungenmodell, aufweisend Befehle, die, wenn sie auf einem Prozessor einer Datenverarbeitungseinheit ausgeführt werden bewirken, dass die folgenden Schritte (i) bis (iii) iterativ, bis zur Erfüllung eines Abschlusskriteriums durchgeführt werden, welches das Erreichen optimaler patientenspezifischer Beatmungsparameter θ_b,i = θ_b,opt prüft und/oder das Erreichen einer vorbestimmten Anzahl von Iterationen prüft:
• i) Auswerten der am Lungenmodell in Abhängigkeit von dem Beatmungsparameter θ_b,i simulierten maschinellen Beatmung, durch Ermitteln des Wertes mindestens einer patientenspezifischen Zielfunktion F = F(θ_b,i) aus dem Lungenmodell, wobei die Zielfunktion F eine Lungenreaktion auf die simulierte maschinelle Beatmung in Abhängigkeit von mindestens einem Output-Parameter des Lungenmodells beschreibt,
• ii) Bewerten des mindestens einen ermittelten Wertes der Funktion F anhand mindestens einer vorbestimmten Referenzgröße, und Auswahl mindestens eines nächsten Beatmungsparameters θ_b,next, unter Verwendung eines von mindestens einem zuvor verwendeten Beatmungsparameter θ_b,i abhängigen Auswahlverfahrens;
• iii) Verwendung des mindestens einen nächsten Beatmungsparameters θ_b,next als Beatmungsparameter θ_b,i zur Ermittlung von F = F(θ_b,i = θ_b,next ) in Schritt i).
• Die Erfindung betrifft auch ein computerlesbares Medium, auf dem ein Computerprogrammprodukt gespeichert ist, welches ein digitales Lungenmodell verwendet, und Befehle aufweist, die, wenn sie auf einem Prozessor einer Datenverarbeitungseinheit ausgeführt werden bewirken, dass die folgenden Schritte (i) bis (iii) iterativ, bis zur Erfüllung eines Abschlusskriteriums durchgeführt werden, welches das Erreichen optimaler patientenspezifischer Beatmungsparameter θ_b,i = θ_b,opt prüft und/oder das Erreichen einer vorbestimmten Anzahl von Iterationen prüft:
• i) Auswerten der am Lungenmodell in Abhängigkeit von dem Beatmungsparameter θ_b,i simulierten maschinellen Beatmung, durch Ermitteln des Wertes mindestens einer patientenspezifischen Zielfunktion F = F(θ_b,i) aus dem Lungenmodell, wobei die Zielfunktion F eine Lungenreaktion auf die simulierte maschinelle Beatmung in Abhängigkeit von mindestens einem Output-Parameter des Lungenmodells beschreibt,
• ii) Bewerten des mindestens einen ermittelten Wertes der Funktion F anhand mindestens einer vorbestimmten Referenzgröße, und Auswahl mindestens eines nächsten Beatmungsparameters θ_b,next, unter Verwendung eines von mindestens einem zuvor verwendeten Beatmungsparameter θ_b,i abhängigen Auswahlverfahrens;
• iii) Verwendung des mindestens einen nächsten Beatmungsparameters θ_b,next als Beatmungsparameter θ_b,i zur Ermittlung von F = F(θ_b,i = θ_b,next ) in Schritt i).
• Die Erfindung betrifft auch ein System aufweisend mindestens eine Datenverarbeitungseinrichtung und ein Computerprogrammprodukt, wobei die mindestens eine Datenverarbeitungseinrichtung eingerichtet ist, das Computerprogrammprodukt auszuführen und insbesondere Daten zur Steuerung der Beatmungsmaschine mit einer Beatmungsmaschine auszutauschen, wobei das Computerprogrammprodukt ein digitales Lungenmodell verwendet, und das Computerprogrammprodukt Befehle aufweist, die, wenn sie auf einem Prozessor der Datenverarbeitungseinrichtung ausgeführt werden bewirken, dass die folgenden Schritte (i) bis (iii) iterativ, bis zur Erfüllung eines Abschlusskriteriums durchgeführt werden, welches das Erreichen optimaler patientenspezifischer Beatmungsparameter θ_b,i = θ_b,opt prüft und/oder das Erreichen einer vorbestimmten Anzahl von Iterationen prüft:
• i) Auswerten der am Lungenmodell in Abhängigkeit von dem Beatmungsparameter θ_b,i simulierten maschinellen Beatmung, durch Ermitteln des Wertes mindestens einer patientenspezifischen Zielfunktion F = F(θ_b,i) aus dem Lungenmodell, wobei die Zielfunktion F eine Lungenreaktion auf die simulierte maschinelle Beatmung in Abhängigkeit von mindestens einem Output-Parameter des Lungenmodells beschreibt,
• ii) Bewerten des mindestens einen ermittelten Wertes der Funktion F anhand mindestens einer vorbestimmten Referenzgröße, und Auswahl mindestens eines nächsten Beatmungsparameters θ_b,next, unter Verwendung eines von mindestens einem zuvor verwendeten Beatmungsparameter θ_b,i abhängigen Auswahlverfahrens;
• iii) Verwendung des mindestens einen nächsten Beatmungsparameters θ_b,next als Beatmungsparameter θ_b,i zur Ermittlung von F = F(θ_b,i = θ_b,next ) in Schritt i).
• Vorzugsweise beinhaltet das System mindestens eine Beatmungsmaschine, welche insbesondere für den Datenaustausch mit der Datenverarbeitungseinrichtung des Systems eingerichtet ist. Die Datenverarbeitungseinrichtung des Systems kann Bestandteil der Beatmungsmaschine sein. Vorzugsweise beinhaltet das System mindestens eine Messvorrichtung zur Gewinnung von Messdaten, insbesondere Bilddaten, insbesondere CT-, MRT-, Röntgen, EIT- oder Ultraschall-Daten, aus denen das Lungenmodell ermittelbar ist, wobei die Messvorrichtung insbesondere für den Datenaustausch mit der Datenverarbeitungseinrichtung des Systems eingerichtet ist. Die Datenverarbeitungseinrichtung des Systems kann Bestandteil der Messvorrichtung sein.
• Die Erfindung betrifft auch eine Beatmungsmaschine mindestens aufweisend eine Steuerungseinheit und eine Datenverarbeitungseinrichtung, die geeignet ist mindestens ein Computerprogrammprodukt einzulesen und auszuführen, und wobei die mindestens eine Datenverarbeitungseinrichtung eingerichtet ist, Daten zur Steuerung der Beatmungsmaschine an die Steuerungseinheit zu liefern und/oder mit der Steuerungseinheit zur Steuerung der Beatmung eines Patienten auszutauschen, wobei das Computerprogrammprodukt ein digitales Lungenmodell verwendet, und das Computerprogrammprodukt Befehle aufweist, die, wenn sie auf einem Prozessor der Datenverarbeitungseinrichtung ausgeführt werden bewirken, dass die folgenden Schritte (i) bis (iii) iterativ, bis zur Erfüllung eines Abschlusskriteriums durchgeführt werden, welches das Erreichen optimaler patientenspezifischer Beatmungsparameter θ_b,i = θ_b,opt prüft und/oder das Erreichen einer vorbestimmten Anzahl von Iterationen prüft:
• i) Auswerten der am Lungenmodell in Abhängigkeit von dem Beatmungsparameter θ_b,i simulierten maschinellen Beatmung, durch Ermitteln des Wertes mindestens einer patientenspezifischen Zielfunktion F = F(θ_b,i) aus dem Lungenmodell, wobei die Zielfunktion F eine Lungenreaktion auf die simulierte maschinelle Beatmung in Abhängigkeit von mindestens einem Output-Parameter des Lungenmodells beschreibt,
• ii) Bewerten des mindestens einen ermittelten Wertes der Funktion F anhand mindestens einer vorbestimmten Referenzgröße, und Auswahl mindestens eines nächsten Beatmungsparameters θ_b,next, unter Verwendung eines von mindestens einem zuvor verwendeten Beatmungsparameter θ_b,i abhängigen Auswahlverfahrens;
• iii) Verwendung des mindestens einen nächsten Beatmungsparameters θ_b,next als Beatmungsparameter θ_b,i zur Ermittlung von F = F(θ_b,i = θ_b,next ) in Schritt i).
• Weitere bevorzugte Ausgestaltungen des erfindungsgemäßen Verfahrens, des erfindungsgemäßen Computerprogrammprodukts, des erfindungsgemäßen Systems und der erfindungsgemäßen Beatmungsmaschine ergeben sich aus der nachfolgenden Beschreibung der Ausführungsbeispiele in Zusammenhang mit den Figuren und deren Beschreibung. Merkmale dieser Gegenstände der Erfindung können jeweils aus der Beschreibung der jeweils anderen Gegenstände der Erfindung und deren Ausgestaltung abgeleitet werden. Gleiche Bauteile der Ausführungsbeispiele werden im Wesentlichen durch gleiche Bezugszeichen gekennzeichnet, falls dies nicht anders beschrieben wird oder sich nicht anders aus dem Kontext ergibt. Es zeigen:
• 1 zeigt schematisch eine Druck-Zeit-Kurve mit einem exemplarisch gewählten Beatmungsparameter, beinhaltend Parameter wie den endexspiratorischen Druck PEEP, den inspiratorischen Druck p_insp, die Druckrampen ,ṗ_up,ṗ_down, sowie die Inspirations- und Exspirationszeiten t_insp,t_exp .
• 2 zeigt das Prinzip des iterativen Vorgehens zur Verbesserung des Beatmungsparameters schematisch.
• 3 zeigt die Schritte i) bis iii) für eine Bestimmung eines optimalen Beatmungsparameters, ausgehend vom Bereitstellen eines Satzes initialer Beatmungsparameter mittels Monte Carlo oder Latin-Hyper-Cube Verfahren.
• 4a-c zeigen schematisch drei unterschiedliche Ausführungsformen der Erfindung, bei welchen je nach Ausführungsform die Ermittlung der Beatmungseinstellungen als datenlogistische Prozesskette an unterschiedlichen Orten stattfindet, insbesondere auf einem Rechenserver eines Cloud-Computing-Anbieters auf einem Server in einer Klinik oder im Beatmungsgerät selbst.
• 5 zeigt eine Ausführungsform des Systems zur Bestimmung eines optimalen Beatmungsparameters schematisch.
• 6 zeigt eine Ausführungsform der Beatmungsmaschine schematisch, wobei die Beatmungsmaschine eine Datenverarbeitungseinrichtung zum Durchführen der Simulation und der Optimierung aufweist.
• 7 zeigt eine Ausführungsform, bei welcher ohne patientenspezifische Bildgebung rein auf Basis zusätzlicher, von der Bildgebung unterschiedlicher patientenspezifischer Daten ein Rechenmodell der Lunge parametrisiert wird und im Anschluss mindestens einmal ausgewertet wird, um den Beatmungsvorschlag seines Nutzers hinsichtlich seiner Eignung für den vorliegenden Patienten zu bewerten und zu verbessern In diesem Fall müssten die 3D Strukturdaten aufgrund eines bereits bestehenden „Templates“ an den Patienten auf Basis der verfügbaren Daten angepasst werden. Beispielsweise durch Berücksichtigung von Faktoren wie Körpergröße und/oder BMI. Die 3D Strukturdaten könnten auch in einer Art Datenbank vorliegen und es würde derjenige Datensatz ausgewählt, der am besten zu dem Patienten passt.
• Detaillierte Beschreibung der Erfindung im Ausführungsbeispiel
• Unter einem Lungenmodell wird nachfolgend ein digitales, d.h. computerimplementiertes Modell einer menschlichen Lunge verstanden, das geeignet ist, die Physiologie einer menschlichen Lunge zu simulieren. Es kann sich hierbei um ein Lungenmodell handeln, welches auf den CT-Daten eines Patienten basiert, d.h. für diesen spezifisch ist. Alternativ kann das Lungenmodell auf der Auswertung von CT Daten einer Patientengruppe oder allgemein auf der Auswertung von Lungendaten aus einer Datenbank basieren. Unter einem patientenspezifischen Lungenmodell wird nachfolgend auch ein Lungenmodell verstanden, das auf einen Patienten kalibriert ist, beispielsweise durch Kalibrierung des Lungenmodells mittels einer realen Beatmungskurve des Patienten. Die Beatmungskurve stellt sich insbesondere als Druck-Zeit-Kurve und/oder Fluss-Zeit-Kurve eines oder mehrere Atemzüge oder Beatmungsmanöver des Patienten bei künstlicher Beatmung dar. Die Beatmungskurve lässt sich als Funktion bestimmter die Beatmung kennzeichnende Parameter verstehen, d.h. die gemessene Beatmungskurve am Patienten wird über eine Menge von Parametern parametrisiert dargestellt. Insbesondere sind hierbei die wichtigsten Parameter der Beatmungskurve die folgenden:
• PEEP, beschreibt das Druckniveau am Ende der Ausatmung (positive-end-exspiratory pressure), p_insp, definiert als inspiratorischer Druck beschreibt das Druckniveau, welches den Zieldruck bei der Einatmung vorgibt.
• Die beiden Druckrampen ṗ_up, ṗ_down beschreiben den Anstieg bzw. den Abfall des Drucks bei Ein- Ausatmung, d.h. wie rasch der Druck zu bzw. abnehmen soll.
• Die Parameter t_insp t_exp beschreiben die Einatmungszeit und die Ausatmungszeit, d.h. wie lange eingeatmet und ausgeatmet wird.
• Die Atemfrequenz f, bzw. die Periodendauer eines Atemzugs 1/f gibt an, wie viele Atemzüge während einer Zeiteinheit, zumeist innerhalb einer Minute durchgeführt werden. Der Parameter FiO₂ beschreibt den Sauerstoffanteil im Atemgas. Dieser Wert besagt wie viele Gase-Perzentile im Atemgasgemisch Sauerstoff sind. Die angegebenen Parameter sind nicht vollumfänglich dargestellt. Vielmehr sind hier die wichtigsten Parameter genannt, welche an einer Beatmungsmaschine bei einer Druckkontrollierten Beatmung eingestellt werden. Es kann jedoch bspw. Volumenkontrolliert beatmet werden. In diesem oder anderen Beatmungsmodi sind die Parameter andere. Ein Ziel der Erfindung ist es, diese Parameter, welche an einer Beatmungsmaschine einstellbar sind, so zu verbessern, d.h. so zu optimieren, dass der Patient auf schonendste Weise durch die Beatmungsmaschine beatmet wird. Des Weiteren können auch Parameter, die nicht an der Beatmungsmaschine eingestellt werden können, jedoch die Beatmung beeinflussen, wie bspw. die Lagerung des Patienten (bspw. Rücken- oder Bauchlage), berücksichtigt werden.
• Der Input in das Lungenmodell umfasst mindestens einen Beatmungsparameter θ_b,welcher in Vektorform die Parameter der Beatmungskurve θ_b = {p_insp, PEEP, t_insp, t_exp, f, FiO₂, ṗ_up, ṗ_down} enthält. Ein Beatmungsparameter θ_b beschreibt demnach eine Vielzahl jeweils möglicher Einstellungen der Beatmungsmaschine. Anders ausgedrückt, die Parameter {p_insp, PEEP, t_insp, t_exp, f, FiO₂, Ṗ_up, ṗ_down, ...) spannen einen Input-Raum des mathematischen Modells auf, welcher durch Simulation auf einen Output-Raum des Modells abgebildet wird. Ziel der Erfindung ist es, im Input-Raum diejenigen, bzw. denjenigen Vektor θ_b,opt, bzw. Parameter zu finden, durch welchen für Patienten relevante Ausgangsgrößen des Simulationsmodells minimiert und/oder maximiert werden, unter Berücksichtigung vorbestimmter und/oder patientenspezifischer Vorgaben, d.h. Referenzgrößen. Diese sind zum Beispiel der Sauerstoffgehalt und der Kohlendioxidgehalt im venösen und/oder arteriellen Blut des Patienten.
• Ausgangsgrößen des Simulationsmodells der Lunge können beispielsweise die Dehnung des Lungengewebes $\mathrm{\epsilon }\left(\overrightarrow{x},\text{t}\right),$

  

  der Druck $\text{p}\left(\overrightarrow{x},\text{t}\right),$

  

  die Flussraten $\text{Q}\left(\overrightarrow{x},\text{t}\right),$

  

  und/oder ein grenzflächenaktiver Faktor der Lungenbläschen $\text{sf}\left(\overrightarrow{x},\text{t}\right)$

  

  und/oder ein Kollaps $\text{c}\left(\overrightarrow{x},\text{t}\right)$

  

  und/oder ein Re-Opening $\text{r}\left(\overrightarrow{x},\text{t}\right)$

  

  sein. In Abhängigkeit des Verlaufs der für den Patienten relevanten simulierten Ausgangsgrößen wird die nächste zu simulierende Eingangsgröße, d.h. der nächste Beatmungsparameter θ_b,next bestimmt. Dabei erfolgt die Auswahl eines nächsten Beatmungsparameter θ_b,next so, dass möglichst schnell, d.h. nach einer geringen Anzahl von Iterationen, d.h. Simulationsdurchläufen nächster Beatmungsparameter, ein idealer Beatmungsparameter θ_b,opt gefunden ist. Alternativ kann auch in einer anderen Ausführungsform nach einer vorbestimmten Anzahl von Iterationsschritten das Modell beispielsweise abgebrochen und der bis dahin geeignetste gefundene Beatmungsparameter ausgegeben werden.
• Im Lungenmodell berücksichtigt werden (i) die Atemwege, die aus der Luftröhre, sowie den Bronchien und Bronchiolen bestehen, (ii) Alveolencluster (AC), die die Alveolen (Lungenbläschen) und die zu den Alveolarsäckchen verbundenen Alveolen umfassen, sowie die darin enthaltenen Anteile der Bronchiolen und (iii) die AC-Wechselwirkung welche die viskoelastische Kopplung von zueinander benachbarten ACs berücksichtigt. Beim Einatmen vergrößert sich das Lungenvolumen wodurch unter anderem die Lungenbläschen gedehnt werden. Dabei sind zueinander benachbarte Lungenbläschen aufgrund des sie miteinander verbindenden Lungengewebes in ihrer Dehnung verknüpft.
• Das Modell berücksichtigt die dreidimensionale geometrische Struktur der Lunge eines Patienten. Dazu wird ein Datensatz, der die 3D Strukturgeometrie einer Patientenlunge bildet, als Inputgröße in das Lungenmodell eingelesen. In einer Ausführungsform kann der Datensatz alternativ über die Strukturgeometrie mehrerer Patienten gemittelt sein. Beispielsweise kann für Patienten mit einer bestimmten Lungenvorerkrankung ein gemittelter Strukturdatensatz erzeugt und in das Lungenmodell eingelesen werden, um für Patienten dieser Vorerkrankung spezifische Beatmungsparameter bereitzustellen. Ebenso können die Input-Beatmungsparameter aus einer Datenbank gemittelte Parameterwerte darstellen. Basierend auf dem Strukturdatensatz konstruiert das Modell ein digitales Abbild der Patientenlunge. In einer Ausführungsform basiert der strukturgeometrische Datensatz auf 3D patientenindividuellen CT-Daten (Computertomographie Aufnahmen, Schichtdicke und Pixelgröße 0,7344 mm) eines 42-jährigen männlichen Patienten mit einer funktionellen Restkapazität (FRC) von FRC = 2,651 und eine Gesamtlungenkapazität (TLC) von TLC = 4,761. Indem das Modell die Patientenlunge in ihrer dreidimensionalen Form simuliert, können die mechanischen Eigenschaften, wie Gewebsdehnung und Druckverteilung auch als lokal aufgelöste Output-Größen vom Modell ausgegeben werden.
• Das Modell ist geeignet, den Effekt lokaler Überdehnung des Lungengewebes, welcher beispielsweise durch eine künstliche Beatmung hervorgerufen werden kann, zu simulieren, bevor dieser Effekt mittels in der Klinik vorhandener Messgeräte feststellbar ist, oder der Patient durch suboptimale Beatmungseinstellungen irreversibel geschädigt wird.
• Modellbasierte Darstellung der Atemwege
• Die Atemwege gliedern sich in die Luftröhre, sowie das Bronchialsystem, welches sich in einen rechten und einen linken Bronchienhauptstamm (Hauptbronchus) aufteilt und welcher jeweils einen der beiden Lungenflügel mit Sauerstoff versorgt. Jeder Bronchienhauptstamm teilt sich weiter in kleinere Bronchien auf (Bronchien zweiter Ordnung): Der rechte Hauptbronchus verzweigt sich meist zu drei Hauptästen, welche die meist drei Lungenlappen des rechten Lungenflügels versorgen. Der linke Hauptbronchus gliedert sich meist in zwei Hauptäste für die meist zwei Lungenlappen des linken Lungenflügels. Diese fünf Hauptäste bilden die so genannten Lappenbronchien, die sich weiter zu den Segmentbronchien und in immer kleinere Äste (Generationen) verzweigen. Nach etwa 20-25 Teilungsschritten, d.h. Generationen, entsteht so das weit verzweigte System des Bronchialbaums. Dieses System der Bronchien ist über den CT-Bilddatensatz verfügbar und kann beispielsweise mittels eines auf künstlicher Intelligenz basierenden Bilderkennungsalgorithmus in einen 3D Strukturdatensatz umgewandelt bzw. segmentiert werden. Dieser wird dann dem Lungenmodell zum Aufbau der Modellgeometrie der Lunge zur Verfügung gestellt.
• Je kleiner die Bronchien werden, desto einfacher und dünnwandiger wird ihr innerer Aufbau. Die kleinsten Verzweigungen der Bronchien, die Bronchiolen, haben einen Innendurchmesser von weniger als 1 mm. Daher reicht die CT-Auflösung nicht aus, um diese Strukturen ortsaufgelöst darzustellen. Während die Atemwege der unteren Generation direkt aus den CT-Daten segmentiert werden, sind die Atemwege der höheren Generation mit Hilfe eines raumfüllenden Algorithmus generiert, wie dies beispielsweise beschrieben ist in „Ismail M, Comerford A, Wall WA. Coupled and reduced dimensional modeling of respiratory mechanics during spontaneous breathing. International Journal of Numerical Methods in Biomedical Engineering 2013; 29:1285-1305“. Die Atemwege (Luftröhre und Bronchialbaum) werden ab der Generation, in der Segmentierung aus den CT-Daten nicht mehr möglich ist oder früher, rekursiv erzeugt, bis die peripheren Atemwege ein Längenabschlusskriterium (I_t = 1,2 mm), ein Radiusabschlusskriterium (rt = 0,2 mm) oder eine Generation Abbruchkriterien (N_gen = 17) erreichen. Die Skalierung des Radius des Tochter-zu-Eltern-Zweiges des linken und des rechten Astes des Bronchialbaumes beträgt 0,876 bzw. 0,686, wie es aus morphologischen Studien des menschlichen Körpers allgemein bekannt ist. Die Radiusskalierung, die Atemwegsausrichtung und die Atemwegslänge kann in Abhängigkeit der ihnen räumlich zugeordneten CT-Daten angepasst werden um die Inhomogenität der Lunge abzubilden. Die segmentierten Atemwege der unteren Generation, welche auf den CT-Daten basieren, werden mit den Atemwegen der höheren Generation, welche mit dem raumfüllenden Algorithmus erzeugt werden, verbunden. Beispielsweise hat ein digitales Lungenmodell insgesamt 60.143 Atemwege, von denen 30.072 periphere Atemwege, also Atemwege höherer Generationen sind. Die Bronchiolen (höchste Generationen) verzweigen sich noch einmal in mikroskopisch feinste Ästchen (Bronchioli respiratorii), welche in den Azini terminieren. Diese Azini führen schließlich in das eigentliche, für den Gasaustausch verantwortliche Lungengewebe mit insgesamt etwa 300 Millionen Lungenbläschen (Alveolen). Im Lungenmodell werden ein oder mehrere Azini und die darin enthaltenen Bronchiolen zu einem AC zusammengefasst.
• In der hier beschriebenen Ausführungsform, erfolgt die mathematische Modellierung der Atemwege durch Implementierung eines dimensionsreduzierten nulldimensionalen (0 - D) Strömungsmodells, welches beschrieben ist in „Pedley TJ, Schroter RC, Sudlow MF. The prediction of pressure drop and variation of resistance within the human bronchial airways. Respiration Physiology 1970; 9:387-405“. Damit kann das mittlere Strömungsverhalten der Atemwege effizient und beispielsweise unter Verwendung reduzierter Rechenleistung modelliert werden. Das Modell verfolgt einen Ansatz, bei dem die Druckdifferenz ΔP entlang eines Atemweges als linear abhängige Größe des Strömungswidertand R und der Flussrate Q durch den Atemwegskanal als ΔP = Q * R dargestellt ist. Dieser Ausdruck wird diskretisiert, gemäß ΔPⁿ⁺¹ = Rⁿ⁺¹ * Qⁿ⁺¹ mit n = t/Δt. Der von „Pedley TJ, Schroter RC, Sudlow MF. The prediction of pressure drop and Variation of resistance within the human bronchial airways, Respiration Physiology 1970; 9:387-405“ formulierte nichtlineare Strömungswiderstand R berücksichtigt sowohl geometrische als auch turbulente Strömungsverluste im Atemwegssystem der Lunge und wurde an experimentelle Lungendaten angepasst. In Roth C.J. et al., A comprehensive computational human lung model incorporating inter-acinar dependencies: Application to spontaneous breathing and mechanical ventilation, Journal of Numerical Methods in Biomedical Engineering 2016; e02787 DOI: 10.1002/cnm.2787" Ist eine Erweiterung angegeben, die den Effekt der Querschnittsveränderung der Atemwege beim Ein- bzw. Ausatmen berücksichtigt.
• Modellbasierte Darstellung der ACs
• Die ACs werden mit dem in „Ismail M, Comerford A, Wall WA. Coupled and reduced dimensional modeling of respiratory mechanics during spontaneous breathing. International Journal of Numerical Methods in Biomedical Engineering 2013; 29:1285-1305“ entwickelten inversen Ansatz generiert. Da sich die CT-Daten im endexspiratorischen Zustand befinden, wird für die 3D - Lungengeometrie ein konstanter Pleuraldruck von 5,3 cm H₂O angenommen. Nach den morphologischen Daten der menschlichen Alveolengröße, die bei einem transpulmonalen Druck von 25 cm H₂O in allgemein bekannter Literatur gemessen wurden, und dem von „Ismail M. et al.“ entwickelten inversen Ansatz, wird in der in dieser Ausführungsform bespielhaft berechneten Lunge eine Anzahl N_alv von 797 Millionen Alveolen festgestellt. Die Anzahl der Lungenbläschen pro Lungenlappen ist $N_i^{lb}=N^{alv}\frac{V_i^{lb}}{V^{lung}},$

  

  wobei ${\text{V}}_{\text{i}}^{\text{lb}}$

  

  das Volumen eines Lappens und V^lung das Gesamtvolumen der Lunge ist. Die Anzahl der Lungenbläschen an jedem peripheren Atemweg ist $N_i^{alv}=N_{lb}\frac{A_i^{lb}}{A^{lb}},$

  

  wobei $A_i^{lb}$

  

  die Austrittsfläche des peripheren Atemweges und A^lb die Summe aller Austrittsflächen der peripheren Atemwege innerhalb eines Lappens ist. Die Anzahl der Lungenbläschen $N_i^{alv}$

  

  kann zur weiteren Präzisierung mit einem Faktor basierend auf den Alveolen räumlich zugeordneten CT-Daten multipliziert werden. Schließlich werden die Lungenbläschen, d.h. die Alveolen, an jedem peripheren Atemweg (sog. Alveolengang) zu einem Azinus gruppiert. D.h. ein Azinus ist aus einer Anzahl von Alveolen und Alveolengängen gebildet, wobei sich die Alveolen um das Ende eines jeweiligen Alveolenganges gruppieren, welcher diese mit Luft zum Gasaustausch versorgt. Physiologisch liefert somit ein Alveolengang immer einer gewissen Anzahl von Alveolen Luft. Mehrere Alveolengänge bilden einen Azinus. Ein Azinus oder mehrere Azini, sowie diese verknüpfende Bronchiolen, sind zu einem Alveolencluster zusammengefasst. Durch diese physiologische Gruppierung kann die Auflösung des Modells variiert werden und erlaubt es, die mathematische Simulation in der beschriebenen Ausführungsform vereinfacht umzusetzten.
• In der hier beschriebenen Ausführungsform, erfolgt die mathematische Umsetzung der Alveolencluster mittels eines in „Ismail M, Comerford A, Wall WA. Coupled and reduced dimensional modeling of respiratory mechanics during spontaneous breathing. International Journal of Numerical Methods in Biomedical Engineering 2013; 29:1285-1305“ beschriebenen AC Modells, welches auf einem rheologischen Modell mit parallel geschalteten Maxwell-Elementen basiert. Dieses rheologische Modell wurde kalibriert, um das mechanische Verhalten des in „Denny E, Schroter RC. Viscoelastic behavior of a lung alveolar duct model. Journal of Biomechanical Engineering 2000; 122: 143-151“ entwickelten Alveolengangmodells umzusetzen. Vereinfachend wird hier angenommen, dass jeder AC von jeweils einem Atemweg mit Luft versorgt wird und sich alle darin enthaltenen Alveolengänge identisch verhalten. Dieser Ansatz ermöglicht es weiter, den gesamten AC als null dimensionales (0-D) - Element zu modellieren, unter Beibehaltung seiner viskoelastischen Eigenschaften. Das daraus resultierende lineare AC-Modell ist ausreichend, um das mechanische Verhalten von gesundem Lungengewebe bei der Spontanatmung korrekt zu modellieren. Um mit dem Lungenmodell sowohl große Lungentidalvolumen, als auch Druckvariationen simulieren zu können, ist das lineare Modell auf ein nichtlineares Modell erweitert worden. Dazu wurde die, die Elastizität des Lungengewebes benachbarter Alveolen beschreibende Federkonstante (lineares Federmodell) durch einen nichtlinearen Ausdruck ersetzt, welcher zwei exponentielle Terme enthält. Dieses zweifach exponentiell versteifende Materialgesetz ist wie folgt definiert: $$E_1=E_1^u+E_1^l;$$

  

  $$E_1^u=E_{1i}^0+v\left(v_i-v_i^0\right)+k^u{e}^{{\tau }^u\left(v_i-v_i^0\right)}$$

  

  $$E_1^l=k^l{e}^{{\tau }^l\left(v_i-v_i^0\right)}$$

  

  Hierbei ist E₁ die Steifigkeit (Federkonstante), v_i das Volumen eines Alveolengangs und $v_i^0$

  

  das Volumen eines Alveolengangs im spannungsfreien Zustand. Kalibrierung der T auf simulierte quasi-statische p-V-Kurven des salzgewaschenen Alveolargangs wie in „Denny E, Schroter RC. Viscoelastic behavior of a lung alveolar duct model. Journal of Biomechanical Engineering 2000; 122:143-151“, beschrieben und auf eine dynamische Belastung bei 1 Hz resultieren in den folgenden Parametern: $$E_1^0=6.51\times {10}^{-4}cm{H}_{2}O\cdot c{m}^{-3}$$

  

  $$b=35.23\times {10}^{7}cm{H}_{2}O\cdot c{m}^{-6}$$

  

  $$k^u=6.79\times {10}^{-5}cm{H}_{2}O\cdot c{m}^{-3}$$

  

  $${\tau }^u=14.47cm\cdot s^{-1}$$

  

  $$k^l=5.32\times {10}^{5}cm{H}_{2}O\cdot c{m}^{-3}$$

  

  $${\tau }^l=-9.0cm\cdot s^{-1}$$

  

  In der hier beschriebenen Ausführungsform kann damit unter Verwendung weiterer Terme aus „Ismail M., Comerford A, Wall WA. Coupled and reduced dimensional modeling of respiratory mechanics during spontaneous breathing. International Journal of Numerical Methods in Biomedical Engineering 2013; 29:1285-1305“, beispielsweise die Steifigkeit der ACs als Funktion des alveolaren Volumens berechnet werden und somit die Druckdifferenz zwischen Atemwegseinlass des AC und der Umgebung in Abhängigkeit des AC-Volumens bestimmt werden.
• Für die Lösung des vollständig gekoppelten Gleichungssystems aus nichtlinearen Atemwegen und nichtlinearen ACs kann ein klassisches Newton-Raphson-Schema verwendet werden oder man verwendet ein fixpunktartiges Iterationsverfahren oder ein anderes geeignetes Lösungsverfahren.
• Modellbasierte Darstellung der AC-Wechselwirkung
• Mittels Alveolencluster-Linker-Elemente (ACL) wird die Wechselwirkung benachbarter ACs und zwischen ACs und Atemwegen modelliert. Diese ACL verknüpfen jeweils paarweise oder in Gruppen diejenigen ACs (und Atemwege), welche sich gegenseitig beeinflussen. Diese Wechselwirkung kommt zum einen durch die Volumenkonkurrenz der ACs innerhalb der Lunge und zum anderen durch das Gewebe, dass sich angrenzende ACs teilen, zustande. Die daraus resultierende gegenseitige Beeinflussung wird durch zusätzliche Kräfte an den an ACL liegenden ACs (und Atemwegen) realisiert. Dadurch können AC gedehnt werden, selbst wenn der Druck nur auf die sub-pleuralen ACs ausgeübt wird. Anders ausgedrückt findet die Randbedingung des Pleuraldrucks nur auf die an den Pleuraspalt tatsächlich angrenzenden ACs Anwendung.
• Dieses Merkmal des Lungenmodells spielt eine wichtige Rolle bei heterogenen Lungen. Folglich ist eine mathematische Beschreibung der zwischen den ACs bestehenden Abhängigkeiten im Lungenmodell eine Notwendigkeit zur realistischen Simulation einer patientenspezifischen Lunge. Eine mathematische Beschreibung zur Implementierung dieser Abhängigkeiten ist in „Roth C.J. et al., A comprehensive computational human lung model incorporating inter-acinar dependencies: Application to spontaneous breathing and mechanical ventilation, Journal of Numerical Methods in Biomedical Engineering 2016; e02787 DOI: 10.1002/cnm.2787“ gegeben.
• In der hier beschriebenen Ausführungsform, erfolgt die mathematische Umsetzung der ACL wie folgt. ACLs werden generiert, indem alle zu einem AC benachbarten ACs und Atemwege bestimmt werden. Hierzu wird ein Algorithmus verwendet, welcher ausgehend von jeweils einem AC alle dazu benachbarte ACs geometrisch detektiert, was unter anderem über ein Abstandskriterium oder über die Nachbarschaft raumfüllender Zellen erreicht werden kann. Des Weiteren werden diejenigen ACs detektiert, welche in direkter Verbindung zur lungenseitigen Pleura, bzw. dem Pleuraraum (Pleuralspalt) stehen, also zumindest teilweise keine benachbarten ACs aufweisen. Sind die Nachbarschaftsverhältnisse der ACs berechnet, wird zwischen den ACs (und den Atemwegen) ein Kopplungsglied als „AC-Linker-Element“ eingefügt. Dieses ACL Kopplungsglied modelliert das korrekte Zusammenspiel zwischen benachbarten ACs, indem es als fiktiver „Inter-AC-Druck“ P_intr eingeführt wird, der dafür sorgt, dass Druckheterogenitäten sich über benachbarte ACs hinweg ausbreiten. Dies erlaubt es, den Pleuraldruck nur an den sub-pleuralen ACs, anzulegen. Dadurch wird eine physiologisch korrekte Druckverteilung in der Lunge erreicht. Im Vergleich zu früheren Modellen, bei denen der Pleuraldruck auf alle ACs gleichermaßen angewendet wird, zeigt sich dann keine Abweichung, wenn der Pleuraldruck und die Materialeigenschaften wie z.B. bei einer gesunden Lunge, homogen verteilt ist. Bei heterogenem Pleuraldruck, zum Beispiel aufgrund des Einflusses der Schwerkraft, sowie bei heterogener Verteilung der Materialeigenschaften der Lunge, werden Kräfte, die auf eine Alveolarwand ausgeübt werden, in Abhängigkeit von der Anzahl der benachbarten ACs auf diese verteilt. Folglich kann durch Einführung eines fiktiven „Inter-AC-Drucks“ eine patientenspezifische heterogene Druck- und Materialeigenschaftsverteilung physiologisch simuliert werden. In einer Ausführungsform wurden beispielsweise 5981 ACs bestimmt, die an den Pleuraspalt angrenzen und eine Anzahl von 140.135 ACLs entsprechend eingeführt.
• Kalibrierung
• Nachfolgend werden die zentralen Aspekte der Kalibrierung des Modells beschrieben. Die geometrische Struktur des patientenspezifischen Lungenmodells, wird in der hier beschriebene Ausführungsform in einem ersten Schritt mittels Bildauswertealgorithmen eines vorliegenden Satzes von computertomographischen Schichtaufnahmen eines Patienten erstellt. Das Modell kann abstrakt wie folgt als Funktion betrachtet werden, wobei in der vorliegend beschriebenen Ausführungsform als Output-Größen des Modells der Druck $p\left(\overrightarrow{x},t\right),$

  

  die Flussrate $Q\left(\overrightarrow{x},t\right),$

  

  die Dehnung $\epsilon \left(\overrightarrow{x},t\right)$

  

  des Lungengewebes und die Gaspartialdrücke ${\mu }_{C{O}_2}\left(\overrightarrow{x},t\right)\text{ und }{\mu }_{o_2}\left(\overrightarrow{x},t\right)$

  

  berücksichtigt werden: $$\left[p\left(\overrightarrow{x},t\right),Q\left(\overrightarrow{x},t\right),\epsilon \left(\overrightarrow{x},t\right),{\mu }_{C{O}_2}\left(\overrightarrow{x},t\right),{\mu }_{O_2}\left(\overrightarrow{x},t\right)\right]=\text{M}\left({\mathrm{\theta }}_{\text{b},}{\mathrm{\theta }}_{\text{m}}\right)$$

  

  Das Modell liefert somit für gegebene Beatmungsparameter θ_b und Modellparameter θ_m eine Aussage über die Dehnung den Druck und verschiedene Gaspartialdrücke in Abhängigkeit des Ortes x und der Zeit t. Auf die vektorielle Schreibweise des Ortsvektors wird im Folgenden verzichtet. Aus diesen Modell-Output-Größen (die in der Regel nicht direkt experimentell gemessen werden können) lassen sich andere experimentell messbare Größen, wie beispielsweise das Tidalvolumen Vt der Atmung (d.h. das tatsächliche geatmete Volumen) berechnen.
• Im nächsten Schritt werden die Modellparameter θ_m so angepasst, dass die experimentell messbaren Tidalvolumendruckverläufe V_t;exp(t) mit den simulierten Tidalvolumendruckverläufen V_t;sim(t) übereinstimmen: D.h. die Modellparameter werden so angepasst, dass V_t;sim(t) = V_t;exp(t). Hierfür wird der Patient mit einem oder mehreren speziellen Manöver beatmet, das sich in einen Satz Beatmungsparameter θ_b übersetzen lässt. In der hier beschriebenen Ausführungsform ist der vektorwertige Beatmungsparameter θ_b = {p_insp, PEEP, t_insp, t_exp, f, FiO₂, Ṗ_up, ṗ_down}. Es können auch weitere, nicht direkt mit dem Beatmungsgerät verknüpft Messgrößen als Parameter einfließen, wie bspw. der Ösophagusdruck. Nach dieser Anpassung der Modellparameter ist das Modell für eine bestimmte Lunge kalibriert. Das Lungenmodell kann patientenspezifisch sein, kann aber auch ein Modell einer standardisierten Lunge oder eine Mischform sein, beispielsweise durch Mittelung der Lungendaten einer Patientendatenbank. Dabei erschöpfen sich die möglichen Parameter des Beatmungsparameters nicht in den hier aufgeführten Größen. Vielmehr lässt sich mit einem beliebig großen Parametersatz jegliche Art von Beatmungskurve parametrisieren. Beispielsweise kann die Druck-Zeit-Kurve p_trachea(t) = f_p(θ_b) parametrisiert werden. Diese Druck-Zeit-Kurve wird dann in Form einer Druckrandbedingung an der Trachea aufgebracht. Weiterhin kann die Beatmung auch hinsichtlich anderer Parameter, wie bspw. der Lagerung des Patienten variiert werden.
• 1 zeigt eine parametrisierte Druck-Zeit-Kurve. Diese Kurve wird nun am Lungenmodell als Randbedingung berücksichtigt, in der vorliegenden Ausführungsform am Neumann-Rand des zu lösenden Differentialgleichungssystems. Zuvor müssen die Modellparameter, beispielsweise die Gewebesteifigkeit, in Form von Materialparametern systematisch angepasst werden. Mithilfe dieses kalibrierten Modells ist ein Arzt in der Lage eine bestimmte Beatmungseinstellung der Beatmungsmaschine zu simulieren, bevor er diese am Patienten einstellt. Damit kann der Arzt vor Beatmung eines eventuell mit einer Lungenerkrankung belasteten Patienten, mit Hilfe des Modells bestimmen, wie hoch beispielsweise die Gewebedehnungen ε(x; t) für dieses Einzelszenario, d.h. den gewählten Beatmungsparameter θ_b in der Lunge des Patienten tatsächlich wären und zwar bevor eine eventuelle Schädigung der Lunge durch eine Überdehnung, ein Barotrauma und/oder häufiges Öffnen und Verschließen von Atemwegen und Alveolen oder weiterer Schädigungsmechanismen aufgrund falsch gewählter Beatmungsparameter auftreten kann. Ein Arzt verfügt nach derzeitigem Stand der Technik über kein intuitives Mittel, um einen geeigneteren Satz von Beatmungsparametern aus der Vielzahl „i“ der möglichen Einstellungen θ_b,i zu bestimmen, d.h. um einen optimalen Beatmungsparameter θ_b,opt zu bestimmen.
• Optimierung
• Um einen solchen optimalen Beatmungsparameter θ_b,opt aus der Vielzahl möglicher Beatmungsparameter θ_b,i zu bestimmen, werden Gütekriterien festgelegt, mittels derer in der vorliegenden Ausführungsform ein Algorithmus in die Lage versetzt werden kann zu entscheiden, ob ein ausgewählter Beatmungsparameter für die Beatmung geeigneter ist als ein anderer Beatmungsparameter.
• Im Folgenden wird eine Ausführungsform zur systematischen Verbesserung der Beatmungseinstellungen dargestellt.
• 2 zeigt eine Ausführungsform des Verfahrens, um Beatmungsparameter im Rahmen eines mathematischen Optimierungsproblems iterativ zu verbessern. Ausgehend von der initialen Beatmungskurve, welche mittels θ_b,init = {p_insp, PEEP, t_insp, t_exp, f, FiO₂, Ṗ_up, ṗ_down} definiert wird, wird der Beatmungsparameter θ_b sukzessive in Iterationen i in den Schritten S2 - S5 angepasst. Zuerst werden dabei die anfangs in Schritt S1 ausgewählten Einstellungen im Schritt S2 getestet, d.h. mit diesen Einstellungen wird eine Simulation am Lungenmodell durchgeführt. Im folgenden nächsten Schritt S3, werden die Ergebnisse des Modells ausgewertet. In einer Ausführungsform kann dies die Berechnung von Dehnungswerten sein, die als Maß der mechanischen Belastung der Lunge dienen. Zusätzlich dazu wird die Sättigung des Bluts des Patienten mit Sauerstoff und Kohlendioxid anhand weiterer Output-Größen des Modells berechnet. Dies geschieht beispielsweise durch Auswerten des simulierten Sauerstoffpartialdrucks µ(O₂) und des Kohlendioxidpartialdrucks µ(CO₂) im venösen oder arteriellen Blut des Patienten. Das Erreichen einer vorbestimmten, aus den Sauerstoff- bzw. Kohlendioxidpartialdrücken abgeleiteten Gassättigung im Blut, stellt eine Zwangsbedingung dar, um physiologisch sinnvolle Simulationsergebnisse zu gewährleisten. Im folgenden Schritt S4 findet eine Bewertung der berechneten Output-Größen statt, sowie eine Auswahl mindestens eines nächsten Beatmungsparameters. D.h. es können insbesondere auch mehrere nächste Beatmungsparameter parallel bestimmt werden.
• In dem Bewertungs- und Auswahlschritt S4 wird unter anderem überprüft, ob die Zwangs- bzw. Nebenbedingungen erfüllt sind. Beispielsweise wird der Sauerstoffgehalt im But mit dem Referenzwert verglichen. Alternativ und/oder zusätzlich können auch für das Lungengewebe berechnete Dehnungswerte mit vorgegebenen Dehnungsmaxima (Referenzwerten) verglichen werden. Ausgehend von einer Verbesserungsfunktion, wird ein nächster Beatmungsparameter vorgeschlagen, welcher die Nebenbedingungen erfüllt.
• Das Ziel einer möglichst optimalen, d.h. für den Patienten schonenden, Beatmung ist dann erreicht, wenn die Bewertung und Auswahl der Optimierungsgrößen in Schritt S4, an allen Orten x im Lungenmodell ein Minimum oder ein vorgebendes Gütemaßes bzw. eine vorgegebenen Referenzgröße erreicht hat und gleichzeitig die simulierte Sauerstoffsättigung im Blut des Patienten einem geforderten Mindestmaß entspricht. Die Anpassung bzw. die Verbesserung der Parameter folgt dabei mathematischen Regeln, die im Rahmen der Erfindung festgelegt und nachfolgend näher beschrieben werden. Ist ein optimaler Beatmungsparameter θ_b,opt gefunden, wird dieser in Schritt S6 ausgegeben.
• Das Optimierungsproblem wird im Folgenden anhand eines Beispielalgorithmus beschrieben. Allgemein wird zunächst eine Zielfunktion F in Abhängigkeit bestimmter Output-Größen des Modells definiert. Während des Optimierungsverfahrens werden die Funktionswerte der Zielfunktion iterativ so verbessert, dass sich diese dem Minimum oder einer vorgegebenen Referenzgröße annähern oder diese beispielsweise unterschreiten. Dabei liegt dem Auswahlverfahren zur Bestimmung eines nächsten Beatmungsparameters das Konzept zugrunde, die Funktionswerte der Zielfunktion B über einen Gaußprozess anzunähern, so dass mit Hilfe des Erwartungswertes des Gaußprozesses und einer Akquisitionsfunktion eine Abschätzung zur Auswahl des nächsten geeigneten Beatmungsparameters vorgenommen werden kann.
• Im hier beschriebenen Ausführungsbeispiels wird die maximale Gewebedehnung $\underset{x,t}{\text{max}}\epsilon \left(x,t\right)$

  

  optimiert, so dass beim optimalen Beatmungsparameter ein vorgegebener Maximalwert für die maximale Dehnung des Lungengewebes nicht überschritten wird, bzw. alternativ ein Minimum von $\underset{x,t}{\text{max}}\epsilon \left(x,t\right)$

  

  bezüglich Θ_b gefunden wird. Die zu optimierende Funktion B ist somit nicht explizit bekannt, da kein analytischer Ausdruck der Output-Größe vorliegt. Beispielsweise sind Werte für die Gewebedehnung ε(x, t) ja nur über die Simulation zugänglich.
• Die Optimierung erfolgt unter Berücksichtigung von Nebenbedingungen, z.B. der Sauerstoffsättigung im Blut des Patienten, für die ebenfalls kein einfacher analytischer Ausdruck bzw. Zusammenhang zu den Eingangsgrößen des Modells existiert und deren Erfüllung daher ebenfalls nur mit Hilfe des Modells bewertet werden kann.
• In eine Ausführungsform des patientenspezifischen Lungenmodells zur Bestimmung optimaler Beatmungseinstellungen existieren daher zwei Funktionen, die zur Bewertung der Ergebnisgrößen des Lungenmodells dienen. Zum einen eine Funktion B, die die mechanische Belastung der Lunge durch die Beatmung beschreibt $\text{B}\left(\epsilon \left(\overrightarrow{x},t\right),p\left(\overrightarrow{x},t\right)\right)$

  

  Die mechanische Belastung ist hier als eine Funktion von Druck und Gewebedehnung aufgefasst, kann aber auch in einer anderen Ausführungsform den Kollaps bzw. das Re-opening von Teilen der Lunge beinhalten. Zum anderen eine Funktion N, die zur Bewertung der Erfüllung einer Nebenbedingung dient $\text{N}\left({\mu }_{C{O}_2}\left(\overrightarrow{x},t\right),{\mu }_{O_2}\left(\overrightarrow{x},t\right)\right)$

  

  Beide Funktionen sind von den Eingangsgrößen des Modells {p_insp, p_insp, PEEP, t_insp, t_exp, f, FiO₂, Ṗ_up, ṗ_down, ...} abhängig.
• Das Problem lässt sich grundsätzlich als nichtlineares Optimierungsproblem „O“ ohne Nebenbedingung, d.h. min(O(B, N)) formulieren oder als nichtlineares Problem mit Nebenbedingung, d.h. min(B), N > b. Wobei b eine untere Grenze für, z.B. die Sauerstoffsättigung darstellt. In der im Folgenden beschrieben und besonders bevorzugten Ausführungsform ist das Optimierungsproblem als nichtlineares Optimierungsproblem mit Nebenbedingung formuliert, welches nach dem Ansatz der Bayes'schen Optimierung gelöst wird, so wie er in „Gardner et al., Bayesian Optimization with Inequality Constraints" Proceedings oft he 31st International Conference on Machine Learning, Beijing China. JMLR: W&CP volume 32,‟ beschrieben ist.
• Vorzüge der Bayes'schen Optimierung im Kontext der Optimierung des Beatmungsparameters einer Lungenmaschine sind seine Eigenschaften als globales Optimierungsverfahren. Ein weiterer Vorteil für die vorliegende Anwendung wird darin gesehen, dass kein Gradient der zu optimierenden Funktion benötigt wird, bzw. das Verfahren muss diesen nicht mittels eines Finite-Differenzen-Verfahren approximieren. Der größte Vorteil der Optimierung nach Bayes für das vorliegende Optimierungsproblem wird darin gesehen, dass das Verfahren sehr effizient ist, d.h. es sind relativ wenige Modellauswertungen nötig, um einen optimierten Parameter bereit zu stellen und das Verfahren kann zur weiteren Effizienzsteigerung noch parallelisiert werden. Folglich können einem Patienten in kurzer Zeit, beispielsweise nach einer Anfrage einer Klinik bei einem dieses Optimierungsmodell bereitstellenden Dienstleister, optimierte Beatmungsparameter geliefert werden.
• In der hier beschriebenen Ausführungsform wird ein „optimaler“ Parameter θ_b,opt wie folgt definiert. Die Menge an Sauerstoff, die von der Lunge in den Körper des Patienten transportiert wird muss so groß sein, dass die Sauerstoffsättigung im Blut über einem vorbestimmten Referenzwert liegt. Dieser ist z.B. als Schwellenwert festgelegt mit bspw. S_o2 = 90%, kann in anderen Szenarien jedoch auch niedriger oder höher sein. Diese Nebenbedingung zur Lösung des Optimierungsproblems in $\text{N}\left({\mu }_{C{O}_2}\left(\overrightarrow{x},t\right),{\mu }_{O_2}\left(\overrightarrow{x},t\right)\right)$

  

  zusammengefasst. In 2 wird in Schritt S3 „Auswertung des Lungenmodells“ diese Bedingung überprüft. Weiter soll bei dem „optimalen“ Parameter θ_b,opt bspw. die maximale Dehnung der ACs ε_max in der Lunge des Patienten möglichst klein sein. Hierbei wird zum Beispiel das absolute Maximum der in der Lunge auftretenden Dehnung ausgewertet, beispielsweise sowohl bzgl. des Ortes x als auch bezüglich der Zeit t. Zur Auswertung wird mindestens ein kompletter Atemzug betrachtet. Da es sich bei dem im Lungenmodell verwendeten Elastizitätsmodells der ACs um ein dimensionsreduziertes Modell mit der Dimension Null („D-0“) handelt, ist die Dehnung keine Tensor sondern ein Skalar. Dies verringert die Rechenzeit oder die zur Auswertung benötigte Rechenleistung. Betrachtet wird die sogenannte volumetrische Dehnung der ACs, d.h. es wird das Verhältnis zwischen Ausgangsvolumen und aufgeblähtem Volumen berechnet. Bei der hier beschriebenen Ausführungsvariante wäre entsprechend die zu optimierende Funktion B definiert als $$B=\underset{x\in \Omega ,t\in T}{\text{max}}\epsilon \left(\overrightarrow{x},t\right)$$

  
• Die eingeführten mathematischen Funktionen B und N definieren damit ein Optimierungsproblem bezüglich des Beatmungsparameters θ_b und nicht bzgl. der Modellparameter θ_m. Die Werte der Funktion B werden nun unter Berücksichtigung der Nebenbedingung N ≥ S_o2, d.h. der Werte der Funktion N(θ_b), auf eine vorgegebene Bedingung optimiert.
• Der Algorithmus zum Auffinden eines optimalen Beatmungsparameters θ_b,opt basiert im Wesentlichen auf zwei Teilen: einer Methode zur Erstellung probabilistischer Regressionsmodelle und einer sog. Akquisitionsfunktion. Dabei findet das Konzept der Bayes'schen Optimierung Anwendung, um das folgende Optimierungsproblem zu lösen: $${\theta }_{b,opt}=\text{arg }\underset{N\left({\theta }_b\right)>\lambda }{\text{min}}B\left({\theta }_b\right)$$

  
• In 3 ist der Ablauf einer Optimierungsschleife schematisch dargestellt. In einem ersten Schritt wird mittels einer Monte Carlo oder Latin-Hyper-Cube Sampling ein Satz initialer Datenpunkte { θ_b,init,1:J} bestimmt. Der Satz umfasst z.B. J = 30 unterschiedliche Beatmungsparameter θ_b,init. Mit diesen statistisch bestimmten Beatmungsparametern wird das Simulationsmodell durchlaufen. Die Output-Größen des Modells werden dann in Schritt i) für die Berechnung der definierten Funktionen B und N verwendet. D.h. es ergibt sich eine statistische Verteilung der jeweils 30 Funktionswerte von N und B. Basierend auf dem Satz initialer Datenpunkte { θ_b,init,1:J,B(θ_b,init,l:J ), N(θ_b,init,1:J)} werden zwei Gaußprozesse trainiert. Im Anschluss werden mit einer Akquisitionsfunktion sukzessive weitere vielversprechende Punkte im Parameterraum ausgewählt, das Simulationsmodell ausgewertet und die Gaußprozessmodelle anschließend mit Hilfe der neuen Datenpunkte verbessert. Dieser Vorgang wird für eine bestimmte Anzahl [1,K] := {k ∈ N | 1 ≤ k ≤ K} von Iterationen wiederholt. Folglich wird bei der Bayes'schen Optimierung immer zwischen dem Trainieren von Regressionsmodellen und der Nutzung dieser zur Vorhersage von vielversprechenden Kandidaten für das Optimum iteriert. Dabei wird in der hier beschriebene Ausführungsform ausgehend von dem initialen Satz von J = 30 Beatmungsparametern jeweils nur ein weiter Beatmungsparameter θ_b,next bestimmt und für die nächste Simulation verwendet. Die Regressionsmodelle umfassen dann in der hier gezeigten Ausführungsform diesen weiteren Beatmungsparameter, d.h. die Modelle werden von Iteration zu Iteration immer genauer, da die Auswertung auf immer mehr Datenpunkten beruht, wodurch sich die Aussagekraft verbessert.
• Im Folgenden wir nun zunächst der verwendete Regressionsansatz beschrieben und danach die verwendete Akquisitionsfunktion.
• Zunächst wird die Annahme getroffen, dass die zu optimierende Funktion B und die Nebenbedingung N jeweils als Gauß'scher Prozess modelliert werden kann, d.h. N, B∼GP(µ(·), k(·)). Hierbei stellt $\mu \left({\theta }_{b,}\right)=\mathbb{E}\left[B(\cdot )\right]$

  

  die Mittelwertfunktion bzw. den Erwartungswert IE dar und k(.,.) die Covarianzfunktion des Gaußprozesses, die wie folgt definiert ist: $$k\left({\theta }_b,{\theta }_b^{\text{'}}\right)=\mathbb{E}\left[\left(B\left({\theta }_b\right)-\mu \left({\theta }_b\right)\right)\left(B\left({\theta }_b^{\text{'}}\right)-\mu \left({\theta }_b^{\text{'}}\right)\right)\right]$$

  
• Als Konsequenz der Modellierung als Gaußprozess ergibt sich bei einem Satz gegebener Eingangsgrößen Φ = {θ_b,1, θ_b,2, ..., θ_b,H} und dazugehöriger Funktionswerte von B(Φ) = {B(θ_b,1),B(8_b,2),...,B(θ_b,H)}, die folgende a posterior Wahrscheinlichkeitsverteilung für einen neuen Testpunkt θ_b,next: B̃(θ_b,next)~p(_B(θ_b,next)|θ_b,next,Φ,B(Φ)). Da es sich um eine Gaußverteilung handelt, kann diese über den Mittelwert und die Varianz charakterisiert werden: $${\mu }_B\left({\theta }_{b,next}\right)=\mu \left({\theta }_{b,next}\right)+k\left({\theta }_{b,next},\Phi \right)k{\left(\Phi ,\Phi \right)}^{-1}\left(B\left(\Phi \right)-\mu \left(\Phi \right)\right)$$

  

  $${\displaystyle {\sum }_B^2\left({\theta }_{b,next}\right)}=k\left({\theta }_{b,next},{\theta }_{b,next}\right)-k\left({\theta }_{b,next},\Phi \right)k{\left(\Phi ,\Phi \right)}^{-1}k\left(\Phi ,{\theta }_{b,next}\right)$$

  

  Mittels der dargestellten Formeln ist nun folglich möglich, die a posterior Verteilung für einen beliebigen Punkt mit Hilfe neuer Daten zu aktualisieren. Die beschriebene Regressionsmethode wird nun genutzt, um zwei Regressionsmodelle zu trainieren: eines für N(· ) und eines für B(-).
• Akquisitionsfunktion
• Der wichtigste Schritt bei der Bayes'schen Optimierung ist die Bestimmung des nächsten bzw. der nächsten Kandidaten θ_b,next Dies geschieht mit Hilfe der Akquisitionsfunktion. Hier wird die sog. „Expected - Constrained - Improvement Funktion“ verwendet. Diese modifizierte Akquisitionsfunktion lässt sich wie folgt aus der „Expected - Improvement - Funktion“ ableiten. Dieser Vorgang ist in „Gardner et al., Bayesian Optimization with Inequality Constraints" Proceedings of the 31st International Conference on Machine Learning, Beijing China. JMLR: W&CP Volume 32,‟ ausführlich beschrieben. Zunächst wird hierfür der bisher besten Punkt im bis dato evaluierten Datensatz T_B definiert als ${\theta }_b^{+}.$

  

  Nun kann die Verbesserung, die durch einen neuen Kandidaten erreicht wird, ausgedrückt werden als: $$\tilde{I}\left({\theta }_b\right)=\text{max}\left\{\mathrm{0,}B\left({\theta }_b^{+}\right)-\tilde{B}\left({\theta }_{b,next}\right)\right\}$$

  

  Der Erwartungswert der Verbesserung ergibt sich dann wie folgt zunächst als: $EI\left({\theta }_{b,next}\right)=\mathbb{E}\left[\tilde{I}\left({\theta }_{b,next}\right)|{\theta }_{b,next}\right]$

  

  Nach Umformung erhält man den folgenden analytischen Ausdruck EI(θ_b,next) = Σ_N(θ_b,next)(ZΦ(Z) + φ(Z)), wobei Φ die Kumulative Verteilungsfunktion und <p die Dichtefunktion einer Standardnormalverteilung darstellen. Außerdem ist $Z=\frac{{\mu }_B\left({\theta }_{b,next}\right)-B\left({\theta }_b^{+}\right)}{{\sum }_N\left({\theta }_{b,next}\right)}.$

  
• Zur Erfüllung der Nebenbedingungen, nämlich dass gemäß der hier beschriebene Ausführungsform die Sauerstoffsättigung S_o2 eine untere Schwelle nicht unterschreiten darf, wird eine Erweiterung der vorgestellten Akquisitionsfunktion nach Gardner et. al vorgeschlagen. Das sogenannte „Constraint Improvement“ für einen Kandidaten θ_b,next ist demnach: $$I_C\left({\theta }_{b,next}\right)=\Delta \left({\theta }_{b,next}\right)max\left\{\mathrm{0,}B\left({\theta }_b^{+}\right)-B\left({\theta }_{b,next}\right)\right\}=\Delta \left({\theta }_{b,next}\right)I\left({\theta }_{b,next}\right)$$

  

  wobei Δ(θ_b,next) ∈ {0,1} eine Indikatorfunktion darstellt, die 1 ist falls N(θ_b,next) ≥λund ansonsten Null ist, d.h. die Indikatorfunktion sortiert durch Multiplikation mit Null alle möglichen Beatmungsparameter aus, wenn die Nebenbedingung λ der Sauerstoffsättigung nicht erfüllt ist. Nachdem die Berechnung von N(θ_b,next) ebenso rechenaufwändig ist wie die Berechnung von B(θ_b,next), wird auch für N(θ_b,next) ein Ersatzmodell in Form eines Gaußprozesses eingeführt und anstelle des Simulationsmodells verwendet. D.h. das Gaußmodell ist ein Ersatzmodell, wobei die Suche nach einem neuen Kandidaten auf das Ersatzmodell ausgelagert wird. Dies geschieht mittels Suche des Minimums/Maximums der Aquisitonsfunktion. Durch die Gauß'sche Marginalverteilung von B̃(θ_b,next) ergibt sich für die „Expected - Constrained Improvement“ Akquisitionsfunktion der folgende Ausdruck, der in der Optimierung verwendet wird: $$E{I}_C\left({\theta }_{b,next}\right)=PF\left({\theta }_{b,next}\right)EI\left({\theta }_{b,next}\right)$$

  

  wobei PF(θ_b,_next) definiert ist als: $$PF\left({\theta }_{b,next}\right):=\text{Pr}\left[\tilde{N}\left({\theta }_{b,next}\right)\le \lambda \right].$$

  

  In 3 ist der Ablauf einer Optimierungsschleife schematisch dargestellt. Die tatsächliche Optimierungsschleife bezieht sich auf die Verfahrensschritte i) bis iii). Zunächst wird ein Beatmungsparameter definiert, der optimiert werden soll. Hier werden bspw. die folgenden fünf Parameter zur Festlegung eines vektorwertigen Beatmungsparameters θ_b gewählt: θ_b = {PEEP,p_insp,t_insp,t_exp, FiO₂}.
• Nun wird für diesen Beatmungsparameter ein initiales Latin-Hyper-Cube-Design mit 30 Kandidaten
  [θ_{b init,1:30}} erstellt. Für diese 30 Punkte wird nun das Simulationsmodell ausgewertet, d.h. es werden 30 Simulationsdurchläufe gemacht und der Wert der Optimierungsfunktion B und der Nebenbedingung N berechnet. Entsprechend existiert nun der initiale Datensatz T = (θ_b,1:30, N(θ_b,1:30), B(θ_b,1:30)}. Auf Basis dieses Datensatzes T wird nun jeweils ein Gaußprozessmodell trainiert. Dann werden die in 3 schematisch dargestellten folgenden drei Schritte i) bis iii) z.B. K = 20 Mal in der angegebenen Reihenfolge wiederholt wobei hier mit Schritt ii) begonnen werden soll:
• Schritt ii): Mithilfe der Akquisitionsfunktion wird in Schritt ii) „Bewertung und Auswahl“ ein neuer Kandidat θ_b,next berechnet bzw. ausgewählt. Ebenso kann eine Bewertung der berechneten Funktionswerte B(θ_b,next) erfolgen, um zu prüfen, ob eine vorbestimmten Referenzgröße der mechanischen Belastung B(ε(θ_b,next); p(θ_b,next)) der Lunge von dem aktuellen Beatmungsparameter erfüllt wird, oder ob eine vorgegebene maximale Anzahl von Iterationen erreicht ist.
• Schritt iii): Der in Schritt ii) vorgeschlagene nächste Kandidat θ_b,next wird an das Modell zur erneuten Berechnung bzw. Simulation übergeben.
• Schritt i): Es folgt die Berechnung von N(θ_b,next), B(θ_b,next).
• Am Ende des Algorithmus, d.h. des Optimierungsverfahrens, wird derjenige Parameter θ_b,opt zurückgegeben, für den die Nebenbedingung erfüllt ist und für die die Optimierungsfunktion den geringsten Wert, d.h. die geringste mechanische Belastung aufweist. In dieser Ausführungsform beendet der Algorithmus die Optimierung nach K = 20 Durchläufen. K wird dazu vom Anwender festgelegt. Dabei kann der Anwender zusätzlich auch ein Abbruchkriterium anwenden, wobei durch Finden eines ersten Beatmungsparameters der die Bedingungen erfüllt, das Verfahren automatisch beendet und der Beatmungsparameter an die Beatmungsmaschine ausgegeben wird.
• In 4a ist eine bevorzugte Ausführungsform des Systems zur patientenspezifischen Bestimmung eines optimalen Beatmungsparameters schematisch dargestellt. Die Einzelschritte der 4a sind wie folgt beschrieben: 4a_1: Bildgebung, Erfassung zusätzlicher Daten; 4a_2: Freigabe, Pseudonymisierung; 4a_3: Datentransfer von Klinikserver an Extern, bspw. an Cloud-Computing-Umgebung; 4a_4: Rechenmodellerzeugung; 4a_5: Optimierung der Beatmungseinstellungen bzw. Auffinden von θ_b,opt; 4a_6: Datentransfer PEEP, p_insp, f, t_insp, t_exp, FiO₂, etc.; 4a_7: Autorisierung; 4a_8: Anwendung. In der hier dargestellten Ausführungsform 4a wird das Modell durch Daten eines Computertomographen patientenspezifisch aufgebaut. Zudem wird eine patientenspezifische Beatmungskurve an das Modell zur patientenspezifischen Kalibrierung geliefert. Die patientenspezifischen Daten werden von der Klinik digital an eine externe Computing Umgebung übertragen, welche beispielsweise in Form eines Rechenservers bei einem Cloud-Computing Anbieter, oder als lokaler Rechenserver bereitgestellt wird. Alternativ könnte auch nur die Modellberechnung, d.h. der rechenintensive Teil des Modells bei einem Cloud-Computing Anbieter erfolgen und die tatsächliche Optimierung der Beatmungsparameter beispielsweise von einem weiteren Anbieter oder in der Klinik erfolgen. Insbesondere sind darunter sogenannte „Software as a Service“ Konzepte zu verstehen, welche einer Klink oder einem Arzt zum Betreiben des Beatmungsgerätes die optimierten Beatmungsparameter des Patienten bereitstellen. Diese können dann auf patientenspezifischen, d.h. beispielsweise auf mittels CT-Daten, Beatmungsmessungen gewonnen Daten basieren oder aus einer patientenspezifischen Datenbank resultieren, oder aus einer die Vorerkrankung typisierenden allgemeinen Patientendatenbank.
• Der von dem Modell für den Patienten bestimmte spezifisch optimale Beatmungsparameter wird dann wieder digital an die Klinik zurück geliefert. Von dort gelangen die Daten an eine Beatmungsmaschine, die mittels des berechneten optimalen Beatmungsparameters konfiguriert wird.
• Alternativ kann das Modell auch auf einer Recheneinheit der Beatmungsmaschine direkt implementiert sein wie in 4b schematisch dargestellt. Die Einzelschritte der 4b sind wie folgt beschrieben: 4b_1: Bildgebung, Erfassung zusätzlicher Daten; 4b_2: Freigabe, Pseudonymisierung; 4b_3: Datenzugriff auf Klinikserver von Beatmungsmaschine bzw. in Klinik; 4b_4: Rechenmodellerzeugung; 4b_5: Optimierung der Beatmungseinstellungen bzw. Auffinden von θ_b,opt; 4b_6: Datenbereitstellung PEEP, p_insp, f, t_insp, t_exp, Fi-O2, etc.; 4b_7: Autorisierung; 4b_8: Anwendung. Hier werden die patientenspezifischen Daten, mindestens umfassend die ausgewerteten computertomographischen Aufnahmen der Patientenlunge, von einem Klinikserver direkt an die Beatmungsmaschine übertragen. Das Beatmungsgerät kann im Anschluss voll automatisch für eine optimale patientenspezifische Beatmung sorgen, indem die Berechnung der optimalen Parameter auf einer Recheneinheit der Beatmungsmaschine durchgeführt wird. D.h. das Lungenmodell kann auf einer Recheneinheit der Beatmungsmaschine implementiert sein, so dass auf der Beatmungsmaschine simuliert wird, oder alternativ sorgt die Beatmungsmaschine dafür, dass eine externe Recheneinheit zur Simulation hinzugezogen wird und die Auswahl des/der nächsten Beatmungsparameter(s) auf der Beatmungsmaschine durchgeführt wird, d.h. insbesondere der Simulationsschritt ii) zur Bewertung und Auswahl des/der nächsten Beatmungsparameter(s).
• In einer weiteren in 4c gezeigten Alternative ist das Modell auf einem Simulationsserver, welcher sich in der Klinik befindet implementiert, wie auch der Computertomograph und die Beatmungsmaschine. Die Einzelschritte der 4c sind wie folgt beschrieben: 4c_1: Bildgebung, Erfassung zusätzlicher Daten; 4c_2: Freigabe, Pseudonymisierung; 4c_3: Datenzugriff auf Klinikserver; 4c_4: Rechenmodellerzeugung; 4c_5: Optimierung der Beatmungseinstellungen bzw. Auffinden von θ_b,opt; 4c_6: Datentransfer, Datenzugriff PEEP, p_insp, f, t_insp, t_exp, FiO₂, etc.; 4c_7: Autorisierung; 4c_8: Anwendung. Die patientenspezifischen Daten, z.B. Bilddaten werden an diesen Simulationsserver geliefert. Der Simulationsserver kann die Bilddaten zu 3D Strukturdaten aufbereiten, auf welchen das Lungenmodell aufbaut, bspw. mittels eines auf künstlicher Intelligenz oder Maschinenlernen basierendem Algorithmus. Die Optimierungs- und Simulationsschritte durch welche der optimale Parameter bestimmt wird, erfolgen auf dem Simulationsserver der Klinik und werden im Anschluss an das Beatmungsgerät geliefert.
• 5 zeigt eine Ausführungsform eines Systems 100 aufweisend die folgenden Komponenten: eine Datenverarbeitungseinheit 120 eine Beatmungsmaschine 130, einen Computertomographen (CT) 140 sowie einen Server 150. Die aufgezählten Einheiten sind miteinander vernetzt, so dass digitale Daten zwischen den Einheiten des Systems 100 ausgetauscht werden können, im Sinne einer datenlogistischen Prozesskette. Die Komponenten des Systems 100 können an unterschiedlichen Räumlichkeiten lokal voneinander getrennt arbeiten, wie es durch die gestrichelten Linien 160 angedeutet ist. D.h. die Komponenten des Systems bilden ein Netzwerk, welches den Austausch digitaler Daten untereinander ermöglicht. Insbesondere unter Berücksichtigung eines verschlüsselten, z.B. personalisierten Zugriffs, insbesondere patientenspezifischer Daten beim Austausch der Daten zwischen den Komponenten des Systems 100. Zum Beispiel befindet sich der CT 140 in einer Klinik A und der Server 150 befindet sich in einer weiteren Klinik B oder bei einem Dienstleister, beispielsweise einem Anbieter einer Rechen-Cloud. Die Beatmungsmaschine 130 befindet sich innerhalb derselben Klink A wie der CT 140 oder an derselben Klinik B wie der Server 150 oder an einer weiteren, anderen Klinik C. In einer bevorzugten Ausführungsform befindet sicher der CT 140 zusammen mit der Beatmungsmaschine 130 in der Klinik A. Der Server 150 befindet sich ebenfalls innerhalb der Klinik A. Der Server 150 umfasst mindestens eine Speichereinheit 152, sowie mindestens eine Recheneinheit (CPU) 151. Der Server 150 transferiert die patientenspezifischen „CT“ Bilddaten auf Anfrage, beispielsweise durch Anfrage der Datenverarbeitungseinrichtung 120 an die Datenverarbeitungseinrichtung 120. Die Datenverarbeitungseinrichtung 120 weist eine Bedieneinheit 121, sowie einen Recheneinheit 124 auf. Die Bedieneinheit 121 umfasst einen Prozessor (CPU) als auch eine Speichereinheit. Die Bedieneinheit 121 ist beispielweise durch einen Personalcomputer umgesetzt und erlaubt es einem Benutzer die Anfrage zum Transfer patientenspezifischer Daten zu initialisieren. Weiter ermöglicht die Bedieneinheit 121 dem Benutzer den Start der Optimierung zum Auffinden optimaler Beatmungseinstellungen. Die Recheneinheit 122 der Datenverarbeitungseinrichtung 120 kann lokal getrennt von der Bedieneinheit sein. Die Recheneinheit 122 ist idealer Weise durch einen Server ausgebildet, welcher insbesondere über eine hohe Rechenkapazität verfügt. Die Recheneinheit besteht daher aus mindestens einer CPU 123 und mindestens einer Speichereinheit 124, wobei in dieser bevorzugten Ausführungsform, das Lungenmodell auf der Recheneinheit 122 implementiert ist, oder auf dieser von außerhalb der Datenverarbeitungseinrichtung 120 auf dieser installiert werden kann.
• Die Bedieneinheit kann dabei auch Teil des Servers 122 sein. Ein Benutzer empfängt über die Bedieneinheit 121 einen Satz von CT-Bilddaten des Servers 150. Von der Bedieneinheit 121 wird der Satz an Bilddaten an die Recheneinheit 122 weitergeleitet und der Benutzer initialisiert über die Bedieneinheit 121 die Auswertung des Satzes von CT-Bilddaten, um den zur Modellierung notwendigen 3D geometrischen Strukturdatensatzes der Lunge dem Modell bereit zu stellen. Zusätzlich empfängt oder lädt der Benutzer über die Bedieneinheit 121 eine patientenspezifische Beatmungskurve von dem Server 150 herunter. Dieser Vorgang kann insbesondere auch automatisiert von der Software ausgeführt werden. Alternativ kann die Beatmungskurve auch von einer beliebigen Patientendatenbank heruntergeladen werden. Nach Kalibrierung des Modells mit der Beatmungskurve startet der Benutzer die Simulation, welche idealerweise automatisch den optimalen Beatmungsparameter bereitstellt und über den Server 150 an die Beatmungsmaschine 130 liefert.
• In einer alternativen Ausführungsform kann die Recheneinheit 122 beispielsweise bei einem Dienstleister, welcher insbesondere zur Simulation des Lungenmodells eine hohe Rechenkapazität zur Verfügung stellt ausgelagert sein, wobei insbesondere die parallele Berechnung mehrerer optimaler Beatmungsparameter erfolgen kann, beispielsweise durch mehrfaches, paralleles Auswählen nächster Kandidaten mittels einer oder mehrerer Akquisitionsfunktionen. Die beispielsweise als Simulationsserver ausgebildete Recheneinheit 150 umfasst in einer weiter bevorzugten Ausführungsform ebenfalls einen Algorithmus zur Bereitstellung der Strukturdaten aus den transferierten, patientenspezifischen CT-Daten, insbesondere basierend auf einer künstlichen Intelligenz zum Erkennen relevanter Lungenspezifischer Merkmale aus den CT-Schichtaufnahmen eines Patienten. Der Server 150 transferiert diese Daten an die Recheneinheit 122. Alternativ kann der Simulationsserver 150 auch die Simulation des Lungenmodells ausführen, wenn dieser mit entsprechender Rechenkapazität ausgestattet ist, oder auf diese zurückgreifen kann und die Optimierung der Beatmungsparameter erfolgt durch einen externen Dienstleister, welcher über die Datenverarbeitungseinheit 120 verfügt.
• In 6 ist eine bevorzugte Ausführungsform einer Beatmungsmaschine 230, welche diese schematisch darstellt. Die Beatmungsmaschine 230 umfasst dabei eine Steuerungseinheit 235, zur Steuerung der Beatmung mittels Beatmungsparameter. Weiter umfasst die Beatmungsmaschine 230 eine Datenverarbeitungseinrichtung 231. Wie mittels der gestrichelten Linien 260 angedeutet, ist die Beatmungsmaschine 230 von einem Server 250 und dem CT 240 räumlich getrennt angeordnet. Beispielsweise befindet sich der CT 240 und der Server 250 gemeinsam in einer Klinik A, wobei die sich Beatmungsmaschine 230 in einer weiteren Klinik B befinden kann. Die Beatmungsmaschine 230 bildet mit dem CT 240 und dem Server 250 ein Netzwerk zum Austausch von Daten, insbesondere von patientenspezifischen Daten, umfassend die Zugriffsrechte zur Übertragung der patientenspezifischen Informationen, die mit dem Datenaustausch verbunden sind.
• Die Beatmungsmaschine 230 weist eine Datenverarbeitungseinrichtung 231 auf, die wiederum eine Bedieneinheit 234 umfasst, mit der ein Benutzer, beispielsweise ein Arzt, die Beatmungsmaschine 230 bedient und insbesondere die Bestimmung optimaler Beatmungsparameter initialisieren kann und insbesondere die mindestens eine Beatmungskurve zur Kalibrierung des Lungenmodells erzeugen und auswerten kann. In dieser besonders bevorzugten Ausführungsform ist das Lungenmodell und das Optimierungsverfahren auf der Beatmungsmaschine implementiert, so dass die Optimierungsschritte zum Auffinden optimaler patientenspezifische Daten auf der Beatmungsmaschine 230 mindestens teilweise oder vollständig durchgeführt oder koordiniert werden können. Beispielsweise kann die Beatmungsmaschine 230 Datensätze oder Berechnungen auch auf einen externen Datenserver auslagern, welcher geeignet ist, Lungensimulationen auszuführen. Dazu verfügt die Beatmungsmaschine über eine Recheneinheit 232 mit einer Speichereinheit 235 und mindestens einem Prozessor (CPU), der über eine hohe Rechenleistung verfügt, so dass die Optimierungsschritte i) - iii), umfassend das Bereitstellen der initialen Parameter mittels Monte Carlo oder Latin-Hyper-Cube Sampling, ausgeführt werden können.
• Zusätzlich kann idealer Weise die Datenverarbeitungseinrichtung die 3D CT-Bilddaten zur benötigten Strukturgeometrie des Lungenmodells aufbereiten. In einem konkreten Anwendungsfall, befindet sich die Beatmungsmaschinen 230 in einem Krankenhaus, in welchem sich sowohl der CT 240 als auch der Server 250 befinden. Auf Anfrage eines Arztes über die Bedieneinheit 234 der Beatmungsmaschine 230 werden die patientenspezifischen CT-Bilddaten an die Maschine 230 von dem Tomographen 240 über den Server 250 transferiert oder befinden sich bereits auf dem Server 250 und werden im Anschluss direkt von Datenverarbeitungseinrichtung 231 der Beatmungsmaschine 230 für das Modell strukturell aufbereitet. Idealerweise kann parallel dazu eine Beatmungskurve des Patienten für die Kalibrierung des Modells am Patienten mit der Beatmungsmaschine 230 aufgezeichnet und ausgewertet werden. Die auf der Beatmungsmaschine 230 implementierte Software verarbeitet im Anschluss daran die inzwischen bereit gestellten 3D CT-Bilddaten und baut damit die 3D-Geometrie des Lungenabbilds digital auf. Idealerweise wird eine Kalibrierung mittels der Beatmungskurve automatisch von der Recheneinheit 232 durchgeführt. Ein Arzt kann dann die Optimierung auf der Beatmungsmaschine 230 durchführen, so dass im Anschluss der optimale Beatmungsparameter direkt an die Steuereinheit 235 der Beatmungsmaschine 230 geliefert wird.
• 7 zeigt eine weitere Ausführungsform der Erfindung, bei welcher keine Bildgebung stattfindet. Stattdessen macht der Bediener einen Beatmungsvorschlag, welcher mindestens zwei Beatmungsparameter umfasst und welcher gleichzeitig als Signal für eine Freigabe und Pseudonymbildung des Austauschs patientenspezifisch Daten gelten kann. Die Einzelschritte der 7 sind wie folgt beschrieben: 7_1: Beatmungsvorschlag PEEP, p_insp, f,t_insp, t_exp, FiO₂, etc.; 7_2: Datentransfer PEEP, p_insp, f,t_insp, t_exp, FiO₂, etc.; 7_3: Rechenmodellerzeugung; 7_4: Modellauswertung; 7_5: Datentransfer, Rückmeldung bzgl. Auswirkungen der Einstellungen auf die Patientenlunge, z.B. max. Dehnung, O2-Perfusion etc.; 7_6: Entscheidung ja nein; 7_7: ggf. Anwendung. Die Daten des Beatmungsparametervorschlags, beispielsweise eines Arztes, welcher sich in diesem Falle auch an einem anderen Ort als dem, der Beatmungsmaschine befinden kann, werden dann an den Speicher- bzw. Berechnungsort, zumeist an einen Cloud-Server für die Simulation und Optimierung, übermittelt. Dabei kann das Beatmungsgerät durch den Beatmungsparametervorschlag idealerweise über das Netzwerk von dem externen Bediener konfiguriert und hinsichtlich des erzielten Ergebnisses in Form beispielsweise patientensensitiver Lungendaten, wie der Gewebedehnung überwacht werden. Der externe Bediener kann in dieser Ausführungsform die Optimierung insbesondere nach einer Anzahl von Iterationen abbrechen. Zu dem gemachten Beatmungsparametervorschlag können idealer Weise zusätzliche Patientendaten anderer Ausführungsformen mit übermittelt werden, um das Rechenmodell der Lunge zu erzeugen bzw. zu personalisieren, z.B. strukturgeometrische Daten der Lunge des Patienten. Im anschließenden Schritt erfolgt mindestens eine Modellauswertung, welche Ergebnisdaten in Form von fluid- und strukturmechanischen Größen, Daten zum Gasaustausch, chemischer Reaktionen und weitere mit dem Berechnungsmodell der Lunge ermittelbaren Informationen generiert.
• Hierbei ergibt eine erste Auswertung eine punktuelle Abfrage des Lungenverhaltens bzgl. des Beatmungsvorschlags, woraufhin die Optimierung weitere idealere Beatmungsparameter erzeugt und dem externen Bediener in Bezug auf deren patientenspezifische Wirkung anzeigt, beispielsweise als kontinuierliche, sich mit jeder Iteration erweiternde Graphik eines oder mehrerer patientenrelevanter Größen. Damit kann das Modell dem Benutzer ein auf seinem Vorschlag basierenden Gegenvorschlag unterbreiten.
• Bezugszeichenliste

100, 200

System

120,231

Datenverarbeitungseinrichtung

121,234

Bedieneinheit

122,232

Recheneinheit

123, 233

Prozessor (CPU)

124,235

Speichereinheit

130, 230

Beatmungsmaschine

140, 240

Computertomograph (CT)

160, 260

Räumliche Trennungslinie

150, 250

Server

151, 251

Recheneinheit

152, 252

Speichereinheit

• Index/Subskript i	Größe in Iterationsschritt i
  J	Größe/Anzahl initialer Beatmungsparameter
  K	Anzahl Iterationsschritte
  θb	Beatmungsparameter (Vektor mit p_insp, PEEP etc)
  θb,next	Vom Auswahlverfahren vorgeschlager, nächstes Beatmungsparameter.
  θb,i	Beatmungsparameter im Iterationsschritt i
  θb,opt	Optimaler Beatmungsparameter
  θb,init	Initaler/initiale Beatmungsparameter
  {θb,init,1:30}	Satz von 30 initialen Beatmungsparametern
  {θb,init,1:J}	Satz von J initialen Beatmungsparametern
  ${\theta }_b^{+}$	Bisher bester Beatmungsparameter (in der Bayes'schen Optimierung)

• ZITATE ENTHALTEN IN DER BESCHREIBUNG
• Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
• Zitierte Nicht-Patentliteratur
• C.J. Roth et al., A comprehensive computational human lung model incorporating inter-acinar dependencies: Application to spontaneous breathing and mechanical ventilation, Journal of Numerical Methods in Biomedical Engineering 2016; e02787 DOI: 10.1002/cnm.2787 [0011]
• C.J. Roth et al., Coupling of EIT with computational lung modeling for predicting patient-specific ventilator responses, Journal of Applied Physiology 122: 855-867, 2017; DOI: 10.1152/japplphysiol.00236.2016 [0013]
• B. Shahriari, K. Swersky, Z. Wang, R.P. Adams, N. de Freitas, Taking the human out of the loop: A review of bayesian optimization, Proceedings of the IEEE, 2016; vol. 104, no. 1, pp. 148-175 [0020]
• Fletcher R., Practical Methods of Optimization, Print ISBN:9780471915478, Online ISBN:9781118723203, DOI:10.1002/9781118723203, 1987 by John Wiley & Sons, Ltd. Auf stochastischen Techniken basierende Algorithmen werden beschrieben in Spall, J. C., Introduction to Stochastic Search and Optimization, 2003 [0021]
• Ismail M, Comerford A, Wall WA. Coupled and reduced dimensional modeling of respiratory mechanics during spontaneous breathing. International Journal of Numerical Methods in Biomedical Engineering 2013; 29:1285-1305 [0052, 0055]
• Pedley TJ, Schroter RC, Sudlow MF. The prediction of pressure drop and variation of resistance within the human bronchial airways. Respiration Physiology 1970; 9:387-405 [0053]
• Pedley TJ, Schroter RC, Sudlow MF. The prediction of pressure drop and Variation of resistance within the human bronchial airways, Respiration Physiology 1970; 9:387-405 [0053]
• Roth C.J. et al., A comprehensive computational human lung model incorporating inter-acinar dependencies: Application to spontaneous breathing and mechanical ventilation, Journal of Numerical Methods in Biomedical Engineering 2016 [0053, 0058]
• smail M, Comerford A, Wall WA. Coupled and reduced dimensional modeling of respiratory mechanics during spontaneous breathing. International Journal of Numerical Methods in Biomedical Engineering 2013; 29:1285-1305 [0054]
• Denny E, Schroter RC. Viscoelastic behavior of a lung alveolar duct model. Journal of Biomechanical Engineering 2000; 122: 143-151 [0055]
• Ismail M., Comerford A, Wall WA. Coupled and reduced dimensional modeling of respiratory mechanics during spontaneous breathing. International Journal of Numerical Methods in Biomedical Engineering 2013; 29:1285-1305 [0055]
• Gardner et al., Bayesian Optimization with Inequality Constraints“ Proceedings oft he 31st International Conference on Machine Learning, Beijing China. JMLR: W&CP volume 32 [0072]
• Gardner et al., Bayesian Optimization with Inequality Constraints“ Proceedings of the 31st International Conference on Machine Learning, Beijing China. JMLR: W&CP Volume 32 [0081]

Claims (25)

1. Verfahren zur automatisierten Ermittlung mindestens eines optimalen Beatmungsparameters θ_b,opt zum Betreiben einer Beatmungsmaschine, aufweisend die computerimplementierten Schritte: • Bereitstellen eines patientenspezifischen digitalen Lungenmodells, Eingabe mindestens eines initialen Input - Beatmungsparameters θ_b,_init als Beatmungsparameter θ_b,i = θ_b,init; • Iteratives Durchführen der folgenden Schritte (i) bis (iii), bis zur Erfüllung eines Abschlusskriteriums, welches das Erreichen eines optimalen patientenspezifischen Beatmungsparameters θ_b,i = θ_b,opt prüft und/oder das Erreichen einer vorbestimmten Anzahl von Iterationen prüft; i) Auswerten der am Lungenmodell in Abhängigkeit von dem Beatmungsparameter θ_b,i simulierten maschinellen Beatmung, durch Ermitteln des Wertes mindestens einer patientenspezifischen Zielfunktion F = F(θ_b,i) aus dem Lungenmodell, wobei die Zielfunktion F eine Lungenreaktion auf die simulierte maschinelle Beatmung in Abhängigkeit von mindestens einem Output-Parameter des Lungenmodells beschreibt, ii) Bewerten des mindestens einen ermittelten Wertes der Funktion F anhand mindestens einer vorbestimmten Referenzgröße, und Auswahl mindestens eines nächsten Beatmungsparameters θ_b,next, unter Verwendung eines von mindestens einem zuvor verwendeten Beatmungsparameter θ_b,i abhängigen Auswahlverfahrens; iii) Verwendung des mindestens einen nächsten Beatmungsparameters θ_b,next als Beatmungsparameter θ_b,i zur Ermittlung von F = F(θ_b,i = θ_b,next ) in Schritt i); • Bereitstellen des patientenspezifischen optimalen Beatmungsparameters θ_b, opt. falls das Abschlusskriterium erfüllt ist.
2. Verfahren nach Anspruch 1, wobei die mindestens eine Zielfunktion F die Zielfunktion B und/oder die Zielfunktion N beinhaltet, wobei N die Anreicherung von Gas im Blut der Lunge beschreibt als Funktion mindestens eines Output-Parameters des Lungenmodells, wobei der mindestens eine Output-Parameter einen Gaspartialdruck im Blut des Patienten beschreibt, und/oder B eine mechanische Belastung der Lunge beschreibt als Funktion mindestens eines Output-Parameters des Lungenmodells, wobei der mindestens eine Output- Parameter eine mechanische Belastungsgröße der Lunge des Patienten beschreibt.
3. Verfahren nach Anspruch 1 oder 2, wobei das Auswahlverfahren zur Auswahl mindestens eines nächsten Beatmungsparameters θ_b,next einen Algorithmus beinhaltet, insbesondere ein Optimierungsverfahren nach Bayes, der/das insbesondere unter Verwendung einer oder mehrerer Gaußprozesse, Random Forrests, künstlicher neuronaler Netze oder anderer Regressionsmodelle umgesetzt wird, einen Fuzzylogic-Algorithmus, einen auf einem Evolutionsverfahren basierenden Algorithmus, einen ein Gradientenverfahren beinhaltenden Algorithmus, und/oder einen auf stochastischen Techniken basierenden Algorithmus.
4. Verfahren nach einem der vorhergehenden Ansprüche, wobei das Auswahlverfahren eine Akquisitionsfunktion zur Auswahl mindestens eines nächsten Beatmungsparameters θ_b,next beinhaltet unter Verwendung eines probabilistischen Regressionsverfahrens, das von mindestens einem, zuvor ermittelten Datensatz T_i = (θ_b,i , F (θ_b,i)) abhängt, insbesondere ein Regressionsverfahren für einen Gauß-Prozess.
5. Verfahren nach einem der vorhergehenden Ansprüche, wobei das Auswahlverfahren zur Auswahl mindestens eines nächsten Beatmungsparameters θ_b,next eine Akquisitionsfunktion beinhaltet, die den Erwartungswert der Verbesserung verwendet, insbesondere unter Berücksichtigung von Nebenbedingungen.
6. Verfahren nach einem der vorhergehenden Ansprüche, wobei das Auswahlverfahren zur Auswahl mindestens eines nächsten Beatmungsparameters θ_b,next eine Akquisitionsfunktion beinhaltet, die eine Entropiesuche verwendet, oder die einen Knowledge-Gradienten verwendet.
7. Verfahren nach einem der vorhergehenden Ansprüche, wobei der Beatmungsparameter θ_b durch eine Menge von Parametern beschrieben wird, die den Druck-Zeit-Verlauf und/oder Volumen-Zeit-Verlauf des mindesten eines Atemzugsbeschreiben, wobei insbesondere θ_b gebildet wird von Parametern gewählt aus der Gruppe von möglichen und bevorzugten Parametern Inspirationsdruck p_insp, positiver endexspiratorischer Druck PEEP, Druckrampen ṗ_up, ṗ_down, Inspirations- wie Expirationszeiten t_insp, t_exp, Atemfrequenz f und Sauerstoffanteil FiO₂.
8. Verfahren nach einem der vorhergehenden Ansprüche, insbesondere gemäß Anspruch 7, wobei in Schritt (ii) vorgesehen ist, mindestens einen nächsten Beatmungsparameter θ_b,next zu bestimmen, vorzugsweise mehrere nächste Beatmungsparameter θ_b,next zu bestimmen, wobei das Auswahlverfahren auf einer Recheneinheit, insbesondere einem Prozessor, stattfindet und die Modellauswertungen parallel auf anderen Recheneinheiten ausgeführt werden und die Ergebnisse im Anschluss wieder zusammengeführt werden.
9. Verfahren nach Anspruch 2 und insbesondere einem der vorhergehenden Ansprüche 3 bis 8, wobei die patientenspezifische Funktion B die durch die Beatmung hervorgerufene mechanische Belastung mittels einer Dehnung ε(x, t) des Lungengewebes und/oder eines in der Lunge herrschenden Drucks p(x, t) und/oder dem Kollaps c(x, t) und/oder der Wiedereröffnung r(x,t) der Atemwege und/oder Alveolen und/oder eines grenzflächenaktiven Faktors der Lungenbläschen sf(x, t) beschreibt.
10. Verfahren nach Anspruch 2 und insbesondere einem der vorhergehenden Ansprüche 3 bis 9, wobei die insbesondere patientenspezifische, Funktion N mindestens den durch die Beatmung hervorgerufenen Gaspartialdruck von Sauerstoff µ(02) und/oder Kohlendioxid µ(CO₂) im Blut der Lunge beschreibt.
11. Verfahren nach einem der vorherigen Ansprüche, wobei in Schritt (ii) des Verfahrens die patientenspezifische Funktion B_i bewertet wird, unter Berücksichtigung der mindestens einen Nebenbedingung, dass die patientenspezifische Funktion N eine vorbestimmte Referenzgröße nicht unterschreitet oder überschreitet, wobei insbesondere N den Output-Parameter Sauerstoffpartialdruck µ(02) enthält und die Nebenbedingung beinhaltet, dass der Sauerstoffpartialdruck µ(02) die Referenzgröße S_o2 der Anreicherung, des im Blut des Patienten angereicherten Sauerstoffs nicht unterschreitet, und wobei insbesondere S_o2 als eine patientenspezifische Referenzgröße vorbestimmt ist.
12. Verfahren nach einem der vorhergehenden Ansprüche, wobei Schritt (ii) des Verfahrens beinhaltet, dass, als eine patientenspezifische Referenzgröße, eine maximale Dehnung B_max(ε(x,t)) und/oder ein maximaler Druck B_max(p(x,t)) der Lunge nicht überschritten werden darf, und/oder eine Sauerstoffsättigung S_o2 nicht unterschritten werden darf.
13. Verfahren nach einem der vorherigen Ansprüche, wobei in Schritt (iii) die Beatmungsparameterwerte θ_b,i stochastisch variiert werden.
14. Verfahren nach einem der vorherigen Ansprüche, wobei ein Satz initialer Input - Beatmungsparameterwerte θ_b,init,i:J mittels einem zufälligen oder quasi-zufälligen Verfahren, insbesondere Monte-Carlo oder Latin-Hyper-Cube Sampling erstellt wird.
15. Verfahren nach Anspruch 14, dadurch gekennzeichnet, dass in Schritt (ii) die Funktionswerte der Funktion B, die aus dem mindestens einen Output - Parameter durch Simulation des Satzes der initialen Input - Beatmungsparameter θ_b,init,i:J berechnet wurden, zum Trainieren eines Gauß-Prozesses verwendet werden.
16. Verfahren nach einem der vorherigen Ansprüche, insbesondere nach Anspruch 15, dadurch gekennzeichnet, dass in Schritt (ii) die Funktionswerte der Funktion B, die aus dem mindestens einen Output - Parameter durch Simulation des Satzes nächster Input - Beatmungsparameter θ_b,next,i:n, berechnet wurden, zum weiteren Trainieren des Gauß-Prozesses verwendet werden.
17. Verfahren nach Anspruch 15, dadurch gekennzeichnet, dass in Schritt (ii) die Auswahlfunktion eine Akquisitionsfunktion ist, welche nächste Beatmungsparameterwerte θ_b,next unter Berücksichtigung wie folgt berechnet wird: I(θ_b,next) = Δ(θ_b,next) * max $\left\{\mathrm{0,}\text{ B}\left({\mathrm{\theta }}_{\text{b}}^{+}\right)-\text{B}\left({\theta }_{b,next}\right)\right\}$

    

    den Funktionswert mit bisher geringster mechanischer Belastung als Funktion des bisher geeignetsten Beatmungsparameters ${\theta }_b^{+}$

    

    darstellt, und wobei die Indikatorfunktion 1 ist, falls die Funktion N(θ_b,next) kleiner oder größer als eine vorbestimmte Referenzgröße ist und null sonst.
18. Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass das patientenspezifische Lungenmodell in Abhängigkeit gemessener Bilddaten der Lunge des Patienten erstellt ist.
19. Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass vor dem Starten des Verfahrens das patientenspezifische Lungenmodell mittels einer Beatmungskurve, die entweder eine Druck-Zeit-Kurve p_trachea (t) und/oder eine Fluss-Zeit-Kurve Q_trachea(t) und/oder eine Volumen-Zeit-Kurve v_trachea(t) und/oder Atemgasgemischzusammensetzungs-Zeit-Kurve oder daraus abgeleiteten Kurven des Patienten beinhaltet, die mindestens einen Atemzug des Patienten aufweist kalibriert wird.
20. Verfahren nach Anspruch 19, dadurch gekennzeichnet, dass die parametrisierte Druck-Zeit-Kurve p_trachea (t) den patientenspezifischen Druck in der Trachea des patientenspezifischen Lungenmodells abbildet.
21. Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass die vorbestimmten Referenzgrößen patientenspezifisch sind.
22. Computerprogrammprodukt verwendend ein digitales Lungenmodell, aufweisend Befehle, die, wenn sie auf einem Prozessor einer Datenverarbeitungseinheit ausgeführt werden bewirken, dass die folgenden Schritte (i) bis (iii) iterativ, bis zur Erfüllung eines Abschlusskriteriums durchgeführt werden, welches das Erreichen optimaler patientenspezifischer Beatmungsparameter θ_b,i = θ_b,opt prüft und/oder das Erreichen einer vorbestimmten Anzahl von Iterationen vorsieht: ii) Auswerten der am Lungenmodell in Abhängigkeit von dem Beatmungsparameter θ_b,i simulierten maschinellen Beatmung, durch Ermitteln des Wertes mindestens einer patientenspezifischen Zielfunktion F = F(θ_b,i) aus dem Lungenmodell, wobei die Zielfunktion F eine Lungenreaktion auf die simulierte maschinelle Beatmung in Abhängigkeit von mindestens einem Output-Parameter des Lungenmodells beschreibt, ii) Bewerten des mindestens einen ermittelten Wertes der Funktion F anhand mindestens einer vorbestimmten Referenzgröße, und Auswahl mindestens eines nächsten Beatmungsparameters θ_b,next, unter Verwendung eines von mindestens einem zuvor verwendeten Beatmungsparameter θ_b,i abhängigen Auswahlverfahrens; iii) Verwendung des mindestens einen nächsten Beatmungsparameters θ_b,next als Beatmungsparameter θ_b,i zur Ermittlung von F = F(θ_b,i = θ_b,next ) in Schritt i).
23. Computerlesbares Medium, auf dem ein Computerprogrammprodukt gespeichert ist, welches ein digitales Lungenmodell verwendet, und Befehle aufweist, die, wenn sie auf einem Prozessor einer Datenverarbeitungseinheit ausgeführt werden bewirken, dass die folgenden Schritte (i) bis (iii) iterativ, bis zur Erfüllung eines Abschlusskriteriums durchgeführt werden, welches das Erreichen optimaler patientenspezifischer Beatmungsparameter θ_b,i = θ_b,opt prüft und/oder das Erreichen einer vorbestimmten Anzahl von Iterationen vorsieht: i) Auswerten der am Lungenmodell in Abhängigkeit von dem Beatmungsparameter θ_b,i simulierten maschinellen Beatmung, durch Ermitteln des Wertes mindestens einer patientenspezifischen Zielfunktion F = F(θ_b,i) aus dem Lungenmodell, wobei die Zielfunktion F eine Lungenreaktion auf die simulierte maschinelle Beatmung in Abhängigkeit von mindestens einem Output-Parameter des Lungenmodells beschreibt, ii) Bewerten des mindestens einen ermittelten Wertes der Funktion F anhand mindestens einer vorbestimmten Referenzgröße, und Auswahl mindestens eines nächsten Beatmungsparameters θ_b,next, unter Verwendung eines von mindestens einem zuvor verwendeten Beatmungsparameter θ_b,i abhängigen Auswahlverfahrens; iii) Verwendung des mindestens einen nächsten Beatmungsparameters θ_b,next als Beatmungsparameter θ_b,i zur Ermittlung von F = F(θ_b,i = θ_b,next ) in-Schritt i).
24. System aufweisend mindestens eine Datenverarbeitungseinrichtung und ein Computerprogrammprodukt, wobei die mindestens eine Datenverarbeitungseinrichtung eingerichtet ist, das Computerprogrammprodukt auszuführen und insbesondere Daten zur Steuerung der Beatmungsmaschine mit einer Beatmungsmaschine auszutauschen, wobei das Computerprogrammprodukt ein digitales Lungenmodell verwendet, und das Computerprogrammprodukt Befehle aufweist, die, wenn sie auf einem Prozessor der Datenverarbeitungseinrichtung ausgeführt werden bewirken, dass die folgenden Schritte (i) bis (iii) iterativ, bis zur Erfüllung eines Abschlusskriteriums durchgeführt werden, welches das Erreichen optimaler patientenspezifischer Beatmungsparameter θ_b,i = θ_b,opt prüft und/oder das Erreichen einer vorbestimmten Anzahl von Iterationen vorsieht: i) Auswerten der am Lungenmodell in Abhängigkeit von dem Beatmungsparameter θ_b,i simulierten maschinellen Beatmung, durch Ermitteln des Wertes mindestens einer patientenspezifischen Zielfunktion F = F(θ_b,i) aus dem Lungenmodell, wobei die Zielfunktion F eine Lungenreaktion auf die simulierte maschinelle Beatmung in Abhängigkeit von mindestens einem Output-Parameter des Lungenmodells beschreibt, ii) Bewerten des mindestens einen ermittelten Wertes der Funktion F anhand mindestens einer vorbestimmten Referenzgröße, und Auswahl mindestens eines nächsten Beatmungsparameters θ_b,next, unter Verwendung eines von mindestens einem zuvor verwendeten Beatmungsparameter θ_b,i abhängigen Auswahlverfahrens; iii) Verwendung des mindestens einen nächsten Beatmungsparameters θ_b,next als Beatmungsparameter θ_b,i zur Ermittlung von F = F(θ_b,i = θ_b,next ) in Schritt i).
25. Beatmungsmaschine mindestens aufweisend eine Steuerungseinheit und eine Datenverarbeitungseinrichtung, die geeignet ist mindestens ein Computerprogrammprodukt einzulesen und auszuführen, und wobei die mindestens eine Datenverarbeitungseinrichtung eingerichtet ist, Daten zur Steuerung der Beatmungsmaschine an die Steuerungseinheit zu liefern und/oder mit der Steuerungseinheit zur Steuerung der Beatmung eines Patienten auszutauschen, wobei das Computerprogrammprodukt ein digitales Lungenmodell verwendet, und das Computerprogrammprodukt Befehle aufweist, die, wenn sie auf einem Prozessor der Datenverarbeitungseinrichtung ausgeführt werden bewirken, dass die folgenden Schritte (i) bis (iii) iterativ, bis zur Erfüllung eines Abschlusskriteriums durchgeführt werden, welches das Erreichen optimaler patientenspezifischer Beatmungsparameter θ_b,i = θ_b,opt prüft und/oder das Erreichen einer vorbestimmten Anzahl von Iterationen vorsieht: i) Auswerten der am Lungenmodell in Abhängigkeit von dem Beatmungsparameter θ_b,i simulierten maschinellen Beatmung, durch Ermitteln des Wertes mindestens einer patientenspezifischen Zielfunktion F = F(θ_b,i) aus dem Lungenmodell, wobei die Zielfunktion F eine Lungenreaktion auf die simulierte maschinelle Beatmung in Abhängigkeit von mindestens einem Output-Parameter des Lungenmodells beschreibt, ii) Bewerten des mindestens einen ermittelten Wertes der Funktion F anhand mindestens einer vorbestimmten Referenzgröße, und Auswahl mindestens eines nächsten Beatmungsparameters θ_b,next, unter Verwendung eines von mindestens einem zuvor verwendeten Beatmungsparameter θ_b,i abhängigen Auswahlverfahrens; iii) Verwendung des mindestens einen nächsten Beatmungsparameters θ_b,next als Beatmungsparameter θ_b,i zur Ermittlung von F = F(θ_b,i = θ_b,next ) in Schritt i).

Images