EP4133501A1 - Verfahren, computerprogramm, system, und beatmungsmaschine, zur ermittlung patientenspezifischer beatmungsparameter an einer beatmungsmaschine - Google Patents

Verfahren, computerprogramm, system, und beatmungsmaschine, zur ermittlung patientenspezifischer beatmungsparameter an einer beatmungsmaschine

Info

Publication number
EP4133501A1
EP4133501A1 EP21718533.9A EP21718533A EP4133501A1 EP 4133501 A1 EP4133501 A1 EP 4133501A1 EP 21718533 A EP21718533 A EP 21718533A EP 4133501 A1 EP4133501 A1 EP 4133501A1
Authority
EP
European Patent Office
Prior art keywords
ventilation
function
patient
parameter
lung
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP21718533.9A
Other languages
English (en)
French (fr)
Inventor
Kei Wieland Müller
Jonas BIEHLER
Karl-Robert WICHMANN
Wolfgang Wall
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Technische Universitaet Muenchen
Original Assignee
Technische Universitaet Muenchen
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Technische Universitaet Muenchen filed Critical Technische Universitaet Muenchen
Publication of EP4133501A1 publication Critical patent/EP4133501A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M16/00—Devices for influencing the respiratory system of patients by gas treatment, e.g. ventilators; Tracheal tubes
    • A61M16/021—Devices for influencing the respiratory system of patients by gas treatment, e.g. ventilators; Tracheal tubes operated by electrical means
    • A61M16/022—Control means therefor
    • A61M16/024—Control means therefor including calculation means, e.g. using a processor
    • A61M16/026—Control means therefor including calculation means, e.g. using a processor specially adapted for predicting, e.g. for determining an information representative of a flow limitation during a ventilation cycle by using a root square technique or a regression analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Measuring devices for evaluating the respiratory organs
    • A61B5/087—Measuring breath flow
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2230/00—Measuring parameters of the user
    • A61M2230/20—Blood composition characteristics
    • A61M2230/205—Blood composition characteristics partial oxygen pressure (P-O2)

Definitions

  • the invention relates to a computer-implemented method, a computer program, a system and a ventilation machine for determining a patient-specific ventilation parameter for setting a ventilation machine by means of which the patient is to be ventilated.
  • the ventilator which uses a pressure or volume-controlled pump device to transport a gas mixture with a precisely variable oxygen content into and out of the patient's lungs, for example using a zyk- lisch repetitive pressure or volume curve.
  • ARDS acute lung failure or Acute Respiratory Distress Syndrome
  • ventilation must be precisely and individually adapted to the respective patient in the form of the changeable parameters on the ventilator.
  • This personalization of ventilation is often so complex that, in the course of the repeated adjustments of the parameters, ventilation-induced damage to the lungs can occur, which can lead to the death of the patient.
  • This problem also arises in particular in severe cases of coronavirus (COVID-19) diseases.
  • Fine-tuning the ventilation parameters is the key to reducing the extremely high mortality with ARDS of up to 40%, even in specialized clinics.
  • Assessment of ventilation in relation to its Harmfulness to the ventilated lungs is currently only possible indirectly and very roughly.
  • the medical gold standard works with statistically validated ventilation values and benchmarks as well as treatment recommendations in the context of so-called lung protective ventilation, which are heuristically tested on the patient on the basis of empirical values, ie based on data from the past.
  • the object of the present invention is to systematically determine the ventilation parameter of a ventilation machine for mechanical ventilation of a patient in order to subsequently achieve ventilation that is as efficient and gentle as possible.
  • the method according to the invention is used for the automated determination of optimal ventilation parameters ⁇ b, opt for mechanical ventilation of patients, and has the computer-implemented steps, that is to say can be implemented using at least one data processing device:
  • the invention is based on the idea of determining the settings of a ventilator with regard to their suitability for the individual patient systematically and using a model-based, personalized, computer-based prediction, before they are applied to the ventilator, so that the patient can ultimately ideal, ie gentle and efficient ventilation.
  • the ventilation settings of the ventilation machine are in particular parameterized and can be described as a vector-valued variable (ventilation parameter ⁇ b ).
  • step (i) are used as model input variables (step (i)) and successively (iteratively in steps (i) to (iii)) improved by using an evaluation (ii) of the simulated or physical lung reaction that follows step (i) or result variables (output variables of the model of the lung) are changed successively, ie from iteration to iteration, with the aid of a selection process that in particular does not use the lung model, which in particular generates less computational effort than the lung model and therefore faster is executable.
  • the method according to the invention is not to be confused with the therapeutic method of (artificial) ventilation of the patient by a ventilator, in particular including the steps of connecting or disconnecting the patient from a ventilation machine - this therapeutic method is not the subject of the invention. manure.
  • a ventilation parameter that leads to a physiologically acceptable ventilation or lung reaction F for the patient, which is checked by means of the medically indicated, predetermined reference variables, is regarded as the optimal ventilation parameter ⁇ b, opt. Even if a ventilation parameter that is suitable in this sense has already been found, the method can find ventilation parameters that are still further improved, ie leading to more gentle or more efficient ventilation, if iterations (i) to (iii) are continued, for example up to Reaching a predetermined number of iterations.
  • the method is preferably set up, ie in particular programmed, that at least one iteration is carried out, ie that the method returns to step (i) at least once after step (iii).
  • the method is preferably set up, ie in particular programmed, to return to step (ii) at least once after step (iii).
  • the method is preferably set up, ie in particular programmed, to select at least one next ventilation parameter ⁇ b, next and to use it as an input variable for the lung model.
  • the method according to the invention in particular the lung model and / or the selection method, is preferably set up, ie in particular programmed, to determine one or more optimal ventilation parameters ⁇ b, opt in the shortest possible time.
  • the prediction of the optimal ventilation parameter according to the invention uses a personalized calculation model of the lungs, which is used to generate data relating to the suitability and selection of the best possible ventilation settings for the patient.
  • a digital lung model suitable for carrying out the invention is described in the document by “CJ Roth et al.
  • the lung reaction or target function F calculated from the lung model is patient-specific, since the lung model is patient-specific.
  • the lung model is patient-specific in particular because it was obtained based on measurement data of the patient's lung, in particular was obtained based on image data of the patient's lung and / or by setting at least one lung model parameter ⁇ m to a patient-specific property, in particular to the physical property of the A patient's lungs (see calibration), based on a patient or disease history or genetic characteristics.
  • the lung model which may have been determined in particular based on image data of the patient's lungs, using a ventilation curve of the patient, the at least one breath of the patient, and / or a special ventilation maneuver, such as Has low-flow maneuvers and / or calibrated an esophageal pressure measurement.
  • a ventilation curve within the meaning of the invention consists of a pressure-time curve p trachea (t) and / or a flow-time curve ⁇ trachea (t) and / or a volume-time curve v trachea (t) and / or a breathing gas mixture composition-time curve or curves derived therefrom or in particular combinations of these measurement curves.
  • the curves result from the setting of the ventilator and the, for example, metabolic, biological, bio-chemical, in particular physical response behavior of the patient.
  • the calibration at least one, several or all parameters ⁇ m are adapted.
  • the material parameters of the Aveolen clusters (ACs) and / or other material parameters are adapted.
  • a , patient-specific, volume-dependent pleural pressure boundary condition calibrated and other parameters ⁇ m .
  • the at least one lung model is preferably patient-specific in that it has been selected in particular by a medical professional for this patient from a database of predetermined lung models which can be subdivided into categories, for example depending on gender, age, weight, disease, and / or body condition, the medical professional assigning the patient to one of these categories of lung models so that the lung model can (also) be used for the individual patient.
  • the lung model is particularly referred to as digital because at least one physical property of the lung is described by data and / or at least one algorithm.
  • the at least one objective function F is preferably an objective function B and / or an objective function N, where N describes the accumulation of gas in the blood of the lungs as a function of at least one output parameter of the lung model, the at least one output parameter. parameter describes a gas partial pressure in the patient's blood, and B describes the mechanical load on the lungs as a function of at least one output parameter of the lung model, the at least one output parameter describing a mechanical load variable on the patient's lungs.
  • the method preferably uses precisely the two objective functions B and N. However, it is also possible and preferred for the method to use other objective functions, or instead of B or N at least one other or further objective function to describe a lung reaction.
  • Function B preferably describes the mechanical load caused by ventilation by means of an expansion e (c, t) of the lung tissue and / or a pressure p (x, t) prevailing in the lungs.
  • Function B preferably describes a dependency on the Stretch B (e (c, t)) and / or the pressure B (p (x, t)) in the lungs.
  • Function B preferably additionally describes, or describes a further function B 2, the mechanical stress caused by ventilation by means of collapse c (x, t) and / or reopening r (x, t) (also called re-opening “Denotes) of the airways and / or alveoli and / or a surface-active factor of the alveoli sf (x, t).
  • the function B additionally, or B 2 additionally, or another function B3 describes the mechanical stress caused by ventilation by means of a surface-active factor of the alveoli sf (x, t), in particular a lung surfactant.
  • Lung surfactant is known in particular as a surface-active substance produced by type II pneumocytes in the lungs and secreted as a secretion on the surface of the alveolar epithelium.
  • the function N preferably describes at least the gas partial pressure of oxygen m (02) and / or carbon dioxide ⁇ (C02) in the venous or arterial blood of the lungs caused by ventilation.
  • the selection process for selecting the next ventilation parameter values ⁇ b next preferably includes an algorithm, in particular a Bayesian optimization process, which is implemented using one or more Gaussian processes, random forest, artificial neural networks or other regression models, a fuzzy logic Algorithm, an algorithm based on an evolution method, an algorithm containing a gradient method, and / or an algorithm based on stochastic techniques.
  • an algorithm in particular a Bayesian optimization process, which is implemented using one or more Gaussian processes, random forest, artificial neural networks or other regression models, a fuzzy logic Algorithm, an algorithm based on an evolution method, an algorithm containing a gradient method, and / or an algorithm based on stochastic techniques.
  • a Bayesian optimization method is described by “Snoek, J. et al. Practical Bayesian Optimization of Machine Learning Algorithms, Advances in Neural Information Processing Systems, 2012. Further descriptions, especially of the regression models, can be found 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. " A Bayesian method applied to the present invention will be described below.
  • the selection method for selecting at least one next ventilation parameter ⁇ b, next preferably includes an acquisition function that uses the expected value of the improvement (“expected improvement function”), in particular taking into account constraints (“expected constrained improvement function”) ").
  • the selection method for selecting at least one next ventilation parameter 9 b next preferably includes an acquisition function which uses an entropy search or which uses a knowledge gradient.
  • the parameters of a ventilation parameter can have different values, specifically also referred to as “parameter values” and collectively also referred to as “ventilation parameter values”.
  • “determination of a next ventilation parameter” means that the vector-valued, in particular uniquely dimensioned, ventilation parameter consisting of several parameters is in this way is changed so that its ventilation parameter values differ from previously tested ventilation parameters with respect to at least one parameter value.
  • the patient-specific function B is preferably evaluated in step (ii) of the method, taking into account the at least one secondary condition that the patient-specific function N does not fall below or exceed a predetermined reference value, with N in particular taking into account the output parameter “oxygen partial pressure m (02)” and the secondary condition includes that the oxygen partial pressure m (02) does not fall below the reference variable So2 of the enrichment, of the oxygen enriched in the patient's blood, and where S02, in particular, is predetermined as a patient-specific reference variable.
  • evaluated means, in particular, a comparison with previously obtained values for other ventilation parameters 0 b and / or a comparison with values or limits for B from literature or medical practice.
  • Step (ii) of the method preferably includes that, as a patient-specific reference variable, in particular a maximum expansion B max ((x, t)) and / or pressure B max (p (x, t)) within the lungs is not exceeded and / or the oxygen saturation S02 must not be undershot.
  • a patient-specific reference variable in particular a maximum expansion B max ((x, t)) and / or pressure B max (p (x, t)) within the lungs is not exceeded and / or the oxygen saturation S02 must not be undershot.
  • At least one new ventilation parameter 0 b is preferably determined by a Bayesian optimization step.
  • the ventilation parameter can also be varied using systematic (stochastic or deterministic) methods. A systematic variation is preferable to a grid search, since this results in a gain in efficiency or a shortened running time and reduced computational effort of the method for finding suitable ventilation parameters.
  • a set of initial input ventilation parameters 0 b 1; j init is preferably created by means of a random or quasi-random method, in particular Monte-Carlo or Latin-Hyper-Cube Sampling.
  • step (ii) the function values of function B, which were calculated from the at least one output parameter by simulating the set of initial input ventilation parameters 0b, i: j, init, are preferably used to train a Gaussian model.
  • the values of the function B which from the Minim least one output - parameters by simulation of the set next Input - b ventilation para meters 0, n e were x t is calculated, to further train the Gaußmodells who uses the, in addition to the function values of function B obtained from the previous evaluations, so that the Gaussian model is gradually trained on a larger amount of data.
  • all the determined function values help to determine the form of function B, so that the more and more trained Gaussian model estimates more and more accurately which parameters are promising without actually having calculated function values in all areas of function B. .
  • the patient-specific lung model is preferably patient-specific in that it has been created as a function of measured image data of the patient's lungs.
  • the image data were preferably obtained on the patient using an imaging method, in particular by means of computed tomography (CT), magnetic resonance tomography (MRT), ultrasound, x-rays or electro-impedance tomography (EIT)
  • CT computed tomography
  • MRT magnetic resonance tomography
  • EIT electro-impedance tomography
  • the patient-specific lung model is preferably patient-specific in that it has been created using measurement data from patients, preferably by means of a ventilation curve for the patient, which has at least one breath of the patient, and / or a special one, before starting the method Ventilation maneuvers, such as.
  • a low-flow maneuver and / or an esophageal pressure measurement is calibrated.
  • at least one, several or all parameters ⁇ m are calibrated, ie the values of the model parameters are at least partially defined by means of the ventilation parameters.
  • the at least one predetermined reference variable is preferably patient-specific in that it has been established for this patient in particular by a medical professional, in that it is derived from medical empirical values for a patient category (gender, age, weight, disease, body condition) to which the Patient is calculated, or by it was determined by separate measurement on the patient's body.
  • a patient category gender, age, weight, disease, body condition
  • the system preferably includes at least one ventilation machine which is set up in particular for data exchange with the data processing device of the system.
  • the data processing device of the system can be part of the ventilation machine.
  • the system preferably contains at least one measuring device for obtaining measurement data, in particular image data, in particular CT, MRT, X-ray, EIT or ultrasound data, from which the lung model can be determined, the Measuring device is set up in particular for data exchange with the data processing device of the system.
  • the data processing device of the system can be part of the measuring device.
  • FIG. 1 shows schematically a pressure-time curve with a ventilation parameter selected as an example, including parameters such as the end-expiratory pressure PEEP, the inspiratory pressure p insp , the pressure ramps, p up , p down , and the inspiration and expiration times t insp , t exp .
  • a ventilation parameter selected as an example, including parameters such as the end-expiratory pressure PEEP, the inspiratory pressure p insp , the pressure ramps, p up , p down , and the inspiration and expiration times t insp , t exp .
  • Fig. 2 shows the principle of the iterative procedure to improve the ventilation parameters schematically.
  • Fig. 3 shows the steps i) to iii) for a determination of an optimal ventilation parameter, based on the provision of a set of initial ventilation parameters using the Monte Carlo or Latin-Hyper-Cube method.
  • FIG. 4a-c schematically show three different embodiments of the invention, in which, depending on the embodiment, the determination of the ventilation settings takes place as a data logistic process chain at different locations, in particular on a computing server of a cloud computing provider on a server in a clinic or in the ventilator itself.
  • FIG. 5 schematically shows an embodiment of the system for determining an optimal ventilation parameter.
  • Fig. 6 shows an embodiment of the ventilation machine schematically, wherein the ventilation machine has a data processing device for performing the simulation and optimization.
  • the 3D structural data would have to be adapted to the patient on the basis of the available data on the basis of an existing “template”. For example, by taking into account factors such as body size and / or BMI.
  • the 3D structural data could also be present in a type of database and that data record would be selected that best fits the patient.
  • a lung model is understood to be a digital, ie computer-implemented, model of a human lung that is suitable for simulating the physiology of a human lung.
  • This can be a lung model which is based on the CT data of a patient, ie is specific for this patient.
  • the lung model can be based on the evaluation of CT data from a patient group or generally on the evaluation of lung data from a database.
  • a patient-specific lung model is also understood to mean a lung model that is calibrated to a patient, for example by calibrating the lung model using a real ventilation curve for the patient.
  • the ventilation curve is presented in particular as a pressure-time curve and / or flow-time curve of one or more breaths or ventilation maneuvers of the patient during artificial ventilation.
  • the ventilation curve can be a function of certain characteristics that characterize ventilation Understand parameters, ie the ventilation curve measured on the patient is displayed in a parameterized manner using a set of parameters.
  • the most important parameters of the ventilation curve are the following:
  • PEEP describes the pressure level at the end of exhalation (positive-end-expiratory pressure)
  • p insp defined as inspiratory pressure
  • inspiratory pressure describes the pressure level that defines the target pressure during inhalation.
  • the two pressure ramps p up , p down describe the increase or decrease in pressure during inhalation, ie how quickly the pressure should increase or decrease.
  • the parameters t insp t exp describe the inhalation time and the exhalation time, ie how long is inhaled and exhaled.
  • the respiratory frequency / or the period duration of a breath 1 / f indicates how many breaths are carried out during a unit of time, usually within one minute.
  • the parameter Fi 0 2 describes the proportion of oxygen in the breathing gas. This value indicates how many gas percentiles are oxygen in the breathing gas mixture.
  • the specified parameters are not shown in full. Rather, the most important parameters that are set on a ventilator for pressure-controlled ventilation are mentioned here. However, volume-controlled ventilation can be used, for example. In this or other ventilation modes, the parameters are different.
  • One aim of the invention is to improve these parameters, which can be set on a ventilator, ie to optimize them so that the patient is ventilated by the ventilator in the most gentle way possible.
  • parameters that cannot be set on the ventilator, but which influence ventilation such as the position of the patient (for example supine or prone position), can also be taken into account.
  • a ventilation parameter 0 b accordingly describes a large number of possible settings of the ventilation machine.
  • the parameters ⁇ p insP , PEEP, t insp , t exp , f, Fi0 2 , p up , p down , ... ⁇ span an input space of the mathematical model, which by simulation on an output space of the model is depicted.
  • the aim of the invention is to find those or that vector 0 b, opt , or parameters in the input space by which output variables of the simulation model relevant for patients are minimized and / or maximized, taking into account predetermined and / or patient-specific ones Specifications, ie reference sizes. These are, for example, the oxygen content and the carbon dioxide content in the venous and / or arterial blood of the patient.
  • Output variables of the simulation model of the lungs can be, for example, the elongation of the lung tissue c (x, t), the pressure p (x, t), the flow rates Q (x, t), and / or an interface-active factor of the alveoli sf (x, t) ) and / or a collapse c (x, t) and / or a re-opening r (x, t).
  • the next input variable to be simulated ie the next ventilation parameter 0 b next, is determined as a function of the course of the simulated output variables relevant for the patient.
  • a next ventilation parameter 0 b next is selected in such a way that an ideal ventilation parameter 0 b, opt is found as quickly as possible, ie after a small number of iterations, ie simulation runs of the next ventilation parameters.
  • the model can be broken off, for example, and the ventilation parameter found that has been found to be most suitable up to that point can be output.
  • the lung model takes into account (i) the airways, which consist of the trachea as well as the bronchi and bronchioles, (ii) alveolar clusters (AC), which comprise the alveoli (lunar vesicles) and the alveoli connected to the alveolar sacs, as well as those contained therein Proportions of the bronchioles and (iii) the AC interaction, which takes into account the viscoelastic coupling of adjacent ACs.
  • the lung volume increases, which among other things causes the alveoli to be stretched.
  • the pulmonary alveoli that are adjacent to one another are linked in their elongation due to the lung tissue that connects them.
  • the model takes into account the three-dimensional geometric structure of a patient's lungs.
  • a data set that forms the 3D structural geometry of a patient's lung is read into the lung model as an input variable.
  • the data record can alternatively be averaged over the structural geometry of several patients.
  • an averaged structural data set can be generated for patients with a specific pre-existing lung disease and read into the lung model in order to provide specific ventilation parameters for patients with this pre-existing disease.
  • the input ventilation parameters can also represent parameter values averaged from a database. Based on the structural data set, the model constructs a digital image of the patient's lungs.
  • the model is suitable for simulating the effect of local overstretching of the lung tissue, which can be caused, for example, by artificial ventilation, before this effect can be determined by means of measuring devices available in the clinic, or the patient is irreversibly damaged by suboptimal ventilation settings.
  • the airways are divided into the trachea and the bronchial system, which is divided into a right and a left main bronchial trunk (main bronchus) and each of which supplies one of the two lungs with oxygen.
  • Each main bronchial trunk is further divided into smaller bronchi (bronchi of the second order):
  • the right main bronchus usually branches into three main branches, which usually supply the three lobes of the right lung.
  • the left main bronchus is usually divided into two main branches for the mostly two lobes of the left lung. These five main branches form the so-called lobe bronchi, which further branch out into the bronchi segment and into smaller and smaller branches (generations).
  • the widely ramified system of the bronchial tree is created.
  • This system of the bronchi is available via the CT image data set and can be converted or segmented into a 3D structural data set, for example, using an image recognition algorithm based on artificial intelligence. This is then made available to the lung model for building the model geometry of the lung.
  • the CT resolution is therefore not sufficient to display these structures with spatial resolution.
  • the airways of the lower generation are segmented directly from the CT data, the airways of the higher generation are generated with the aid of a space-filling algorithm, as described, for example, 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 ".
  • the scaling of the radius of the daughter-to-parent branch of the left and right branches of the bronchial tree is 0.876 and 0.686, respectively, as is generally known from morphological studies of the human body.
  • the radius scaling, the airway alignment and the airway length can be adjusted depending on the spatially assigned CT data in order to map the inhomogeneity of the lungs.
  • the segmented airways of the lower generation which are based on the CT data, are connected to the airways of the higher generation, which are generated with the space-filling algorithm.
  • a digital lung model has a total of 60,143 airways, of which 30,072 are peripheral airways, i.e. airways of higher generations.
  • the bronchioles (highest generations) branch out again into microscopic branches (bronchioli respirtra), which terminate in the acini.
  • bronchioli respirtra i.e. airways of higher generations.
  • These acini finally lead into the actual lung tissue responsible for gas exchange with a total of about 300 million alveoli.
  • one or more acini and the bronchioles contained therein are combined to form an AC.
  • the mathematical modeling of the airways is carried out by implementing a dimensionally reduced zero-dimensional (0-D) flow model, which is described 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 ".
  • the number of pulmonary vesicles N can be multiplied by a factor based on the CT data spatially assigned to the alveoli.
  • the lung vesicles, ie the alveoli are grouped into an acinar on each peripheral airway (so-called alveolar duct).
  • an acinar is formed from a number of alveoli and alveolar ducts, the alveoli grouping around the end of a respective alveolar duct which supplies them with air for gas exchange.
  • an alveolar duct therefore always supplies a certain number of alveoli with air.
  • Several alveolar ducts form an acinar.
  • An acinar or several acini, as well as these connecting bronchioles, are combined to form an alveolar cluster. This physiological grouping allows the resolution of the model to be varied and allows the mathematical simulation to be implemented in a simplified manner in the embodiment described.
  • the mathematical conversion of the alveolar clusters takes place by means of an 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 “described AC model, which is based on a rheological model with Maxwell elements connected in parallel. This rheological model was calibrated in order to determine the mechanical behavior of the “Denny E, Schroter RC. Viscoelastic behavior of a lung alveolar duct model. Journal of Biomechanical Engineering 2000; 122: 143-151 “developed alveolar duct model.
  • each AC is supplied with air by one airway and that all alveolar ducts contained therein behave identically.
  • This approach also makes it possible to model the entire AC as a zero-dimensional (0-D) element, while maintaining its viscoelastic properties.
  • the resulting linear AC model is sufficient to show the correctly model the mechanical behavior of healthy lung tissue during spontaneous breathing.
  • the linear model has been extended to a non-linear model.
  • the spring constant (linear spring model) describing the elasticity of the lung tissue of neighboring alveoli was replaced by a non-linear expression that contains two exponential terms. This double exponentially stiffening material law is defined as follows:
  • ⁇ is the stiffness (spring constant)
  • v t the volume of an alveolar duct
  • vf the volume of an alveolar duct in the tension-free state.
  • the stiffness of the ACs can be calculated as a function of the alveolar volume and thus the pressure difference between the airway inlet of the AC and the environment can be determined as a function of the AC volume.
  • a classic Newton-Raphson scheme can be used for the solution of the fully coupled system of equations made up of non-linear respiratory paths and non-linear ACs, or a fixed-point iteration method or another suitable solution method can be used.
  • ACL alveolar cluster linker elements
  • ACLs are generated by determining all ACs and airways adjacent to an AC.
  • an algorithm is used which, based on one AC in each case, detects all neighboring ACs geometrically, which can be achieved, among other things, via a distance criterion or via the vicinity of space-filling cells.
  • those ACs are detected which are in direct connection with the pleura on the lung side or the pleural space (pleural gap), i.e. at least partially have no neighboring ACs.
  • a coupling element is inserted between the ACs (and the airways) as an "AC linker element".
  • This ACL coupling element models the correct interaction between neighboring ACs by introducing it as a fictitious “inter-AC pressure” pin that ensures that pressure heterogeneities spread across neighboring ACs. This allows the pleural pressure to be applied only to the sub-pleural ACs. This results in a physiologically correct pressure distribution in the lungs. Compared to earlier models, in which the pleural pressure is applied equally to all ACs, there is no deviation if the pleural pressure and the material properties are homogeneously distributed, such as in a healthy lung.
  • heterogeneous pleural pressure for example due to the influence of gravity, as well as with heterogeneous distribution of the material properties of the lungs, forces that are exerted on an alveolar wall are distributed to it depending on the number of neighboring ACs.
  • a patient-specific, heterogeneous distribution of pressure and material properties can be physiologically simulated by introducing a fictitious “inter-AC pressure”.
  • inter-AC pressure for example, in one embodiment, 5981 ACs were determined adjacent to the pleural space and a number of 140,135 ACLs were introduced accordingly.
  • the geometric structure of the patient-specific lung model is determined in a first step by means of image evaluation algorithms an existing set of computed tomographic tomographic images of a patient created.
  • the model can be viewed abstractly as a function as follows, with the pressure p (x, t), the flow rate Q (x, t), the expansion e (c, t) des as output variables of the model in the embodiment described here Lung tissue and the gas partial pressures Pco 2 (x, t) and Po 2 (x, t) are taken into account:
  • the model thus provides information about the expansion, the pressure and various gas partial pressures as a function of the location x and the time t.
  • the vectorial notation of the position vector is dispensed with in the following. From these model output variables (which as a rule cannot be measured directly experimentally), other experimentally measurable variables, such as the tidal volume V t of breathing (ie the actual volume breathed), can be calculated.
  • the patient is ventilated with one or more special maneuvers, which can be translated into a set of ventilation parameters 0 b.
  • Other measured variables that are not directly linked to the ventilator can also be used are included as parameters, such as the esophageal pressure.
  • the model is calibrated for a specific lung.
  • the lung model can be patient-specific, but can also be a model of a standardized lung or a mixed form, for example by means of the lung data of a patient database.
  • the possible parameters of the ventilation parameter are not limited to the sizes listed here. Rather, any type of ventilation curve can be used with any large parameter set parameterize.
  • the ventilation can also be varied with regard to other parameters, such as, for example, the position of the patient.
  • FIG. 1 shows a parameterized pressure-time curve. This curve is now taken into account on the lung model as a boundary condition, in the present embodiment on the Neumann boundary of the differential equation system to be solved.
  • the model parameters for example the fabric stiffness, have to be systematically adapted in the form of material parameters.
  • a doctor is able to simulate a specific ventilation setting on the ventilator before setting it on the patient.
  • the doctor can use the model to determine how high, for example, the tissue expansions e (c; t) would actually be for this individual scenario, ie the selected ventilation parameter 0 b in the patient's lungs and before any damage to the lungs due to overextension, barotrauma and / or frequent opening and closing of airways and alveoli or other damage mechanisms can occur due to incorrectly selected ventilation parameters.
  • a doctor has no intuitive means of determining a more suitable set of ventilation parameters from the multitude of “i” possible settings 0 b ,, ie to determine an optimal ventilation parameter 0 b, opt.
  • FIG. 2 shows an embodiment of the method for iteratively improving ventilation parameters in the context of a mathematical optimization problem.
  • the ventilation parameter 0 b is successively changed in iterations i in the Steps S2 - S5 adjusted.
  • the settings initially selected in step S1 are tested in step S2, ie a simulation is carried out on the lung model with these settings.
  • the results of the model are evaluated.
  • this can be the calculation of strain values that serve as a measure of the mechanical load on the lungs.
  • the saturation of the patient's blood with oxygen and carbon dioxide is calculated on the basis of other output variables from the model. This is done, for example, by evaluating the simulated oxygen partial pressure p (Ü2) and the carbon dioxide partial pressure p (C0 2 ) in the patient's venous or arterial blood. Achieving a predetermined gas saturation in the blood derived from the oxygen or carbon dioxide partial pressures is a mandatory condition in order to ensure physiologically meaningful simulation results.
  • the calculated output variables are evaluated and at least one next ventilation parameter is selected. That is to say, in particular, several next ventilation parameters can also be determined in parallel.
  • the evaluation and selection step S4 it is checked, among other things, whether the constraint or secondary conditions are met. For example, the oxygen content in the But is compared with the reference value. Alternatively and / or in addition, elongation values calculated for the lung tissue can also be compared with predefined elongation maxima (reference values). Based on an improvement function, a next ventilation parameter is proposed which fulfills the secondary conditions.
  • the goal of optimal ventilation ie gentle on the patient, is achieved when the evaluation and selection of the optimization variables in step S4 has reached a minimum or a specified quality measure or a given reference variable at all locations x in the lung model and at the same time the simulated oxygen saturation in the patient's blood corresponds to a required minimum.
  • the adaptation or the Improvement of the parameters follows mathematical rules that are defined in the context of the invention and are described in more detail below. If an optimal ventilation parameter 0, opt is found, this is output in step S6.
  • an objective function F is first defined as a function of certain output variables of the model.
  • the function values of the target function are iteratively improved in such a way that they approach the minimum or a given reference variable or, for example, undershoot them.
  • the selection process for determining the next ventilation parameter is based on the concept of approximating the functional values of the target function B via a Gaussian process, so that an estimate can be made for the selection of the next suitable ventilation parameter with the aid of the expected value of the Gaussian process and an acquisition function.
  • the maximum tissue expansion max e (c, t) is optimized so that with the optimal ventilation parameter a predetermined maximum value for the maximum expansion of the lung tissue is not exceeded, or alternatively a minimum of max s (x , t) is found with respect to Q b .
  • Function B is therefore not explicitly known because there is no analytical expression of the output variable. For example, values for the tissue expansion e (c, t) are only accessible via the simulation.
  • the optimization is carried out taking into account secondary conditions, e.g. the oxygen saturation in the patient's blood, for which there is also no simple analytical expression or relationship to the input variables of the model and whose fulfillment can therefore only be assessed with the aid of the model.
  • secondary conditions e.g. the oxygen saturation in the patient's blood
  • a function B which the mechanical stress on the lungs from ventilation describes B (s (x, t), p (x, t)).
  • the mechanical load is understood here as a function of pressure and tissue expansion, but in another embodiment it can also include the collapse or re-opening of parts of the lungs.
  • a function N which serves to evaluate the fulfillment of a secondary condition N (x, ⁇ , m 0z c, t)). Both functions depend on the input variables of the model ⁇ p insp, p insp , PEEP, t insp , t exp , f, Fi0 2 , p up , p down , ... ⁇
  • the problem can basically be formulated as a non-linear optimization problem "O" without secondary conditions, i.e. min (0 (B, N)) or as a non-linear problem with secondary conditions, i.e. min (B), N> b. Where b represents a lower limit for, for example, oxygen saturation.
  • the optimization problem is formulated as a non-linear optimization problem with secondary conditions, which is solved according to the Bayesian optimization approach, as described 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, ”.
  • Bayesian optimization in the context of optimizing the ventilation parameters of a lung machine are its properties as a global optimization method. Another advantage for the present application is that no gradient of the function to be optimized is required, or the method must have one do not approximate using a finite difference method.
  • the greatest advantage of Bayesian optimization for the present optimization problem is seen in the fact that the method is very efficient, i.e. relatively few model evaluations are necessary to provide an optimized parameter and the method can be parallelized to further increase efficiency.
  • optimized ventilation parameters can be supplied to a patient in a short time, for example after a request from a clinic to a service provider providing this optimization model.
  • an “optimal” parameter 0 ot is defined as follows.
  • the amount of oxygen carried by the lungs into the patient's body must be so great that the oxygen saturation in the blood is above a certain reference value.
  • This secondary condition for solving the optimization problem is summarized in H ⁇ m £ q2 (c, ⁇ ), m q2 (c, ⁇ )). In FIG. 2, this condition is checked in step S3 “Evaluation of the lung model”.
  • opt for example, the maximum expansion of the ACs C max in the patient's lungs should be as small as possible.
  • the absolute maximum of the elongation occurring in the lungs is evaluated, for example both with regard to the location x and with regard to the time t. At least one complete breath is considered for evaluation. Since the elasticity model of the ACs used in the lung model is a dimensionally reduced model with dimension zero ("D-0"), the expansion is not a tensor but a scalar. This reduces the computing time or the computing power required for evaluation. The so-called volumetric expansion of the ACs is considered, ie the ratio between the initial volume and the inflated volume is calculated. In the embodiment variant described here, the function B to be optimized would accordingly be defined as
  • the introduced mathematical functions B and N thus define an optimization problem with regard to the ventilation parameter 0 b and not with regard to the model parameter 0 m .
  • the values of the function B are now optimized to a predetermined condition, taking into account the secondary condition N> S02, ie the values of the function N (0 b).
  • the algorithm for finding an optimal ventilation parameter 0 b, ot is essentially based on two parts: a method for creating probabilistic regression models and a so-called acquisition function.
  • the concept of Bayesian optimization is used to solve the following optimization problem:
  • a set of initial data points is created using Monte Carlo or Latin Hyper-Cube Sampling ⁇ certainly.
  • the simulation model is run through with these statistically determined ventilation parameters.
  • the output variables of the model are then used in step i) for the calculation of the defined functions B and N. This means that there is a statistical distribution of the 30 function values of N and B.
  • two Gaussian processes are trained.
  • N (ß b next ) is just as computationally complex as the calculation of B (ß b next )
  • a substitute model in the form of a Gaussian process is introduced for N (ß b next) and used instead of the simulation model.
  • the Gaussian model is a substitute model, with the search for a new candidate being outsourced to the substitute model. This is done by searching for the minimum / maximum of the acquisition function.
  • the Gaussian marginal distribution of B (ß b next ) results in the following expression for the "Expected - Constrained Improvement" acquisition function, which is used in the optimization: where PF (ß b next ) is defined as:
  • the sequence of an optimization loop is shown schematically in FIG. 3.
  • a ventilation parameter is defined that is to be optimized.
  • the following five parameters are selected to define a vector-valued ventilation parameter 0 b . 0 b - ⁇ PEEP, pi nSp , ti nSp , t eXp , FO ⁇ .
  • the calculated function values B (ß b next ) can also be evaluated in order to check whether a predetermined reference value of the mechanical load B (e (ß b next ), - p (ß b next )) on the lungs depends on the current ventilation parameter is fulfilled, or whether a predetermined maximum number of iterations has been reached.
  • K 20 runs.
  • K is specified by the user for this purpose.
  • the user can also apply a termination criterion, whereby by finding a first ventilation parameter that fulfills the conditions, the method is automatically terminated and the ventilation parameter is output to the ventilation machine.
  • FIG. 4a A preferred embodiment of the system for patient-specific determination of an optimal ventilation parameter is shown schematically in FIG. 4a.
  • the individual steps of FIG. 4a are described as follows: 4a_1: imaging, acquisition of additional data; 4a_2: Approval, pseudonymization; 4a_3: data transfer from clinic server to external, for example to cloud computing environment; 4a_4: computational model generation; 4a_5: Optimization of the ventilation settings or finding 0 ö opt ; 4a_6: data transfer PEEP, pi nsp , f, ti nsp , te xp , Fi02, etc .; 4a_7: authorization; 4a_8: application.
  • FIG. 4a_1 imaging, acquisition of additional data
  • 4a_2 Approval, pseudonymization
  • 4a_3 data transfer from clinic server to external, for example to cloud computing environment
  • 4a_4 computational model generation
  • 4a_5 Optimization of the ventilation settings or finding 0 ö opt
  • the model is constructed patient-specifically using data from a computer tomograph.
  • a patient-specific ventilation curve is supplied to the model for patient-specific calibration.
  • the patient-specific data is digitally transmitted from the clinic to an external computing environment, which is provided, for example, in the form of a computing server at a cloud computing provider or as a local computing server.
  • an external computing environment which is provided, for example, in the form of a computing server at a cloud computing provider or as a local computing server.
  • the model calculation ie the computationally intensive part of the model, could be carried out by a cloud computing provider and the ventilation parameters could actually be optimized, for example, by another provider or in the clinic.
  • so-called “software as a service” concepts are to be understood here, which provide a clinic or a doctor with the patient's optimized ventilation parameters for operating the ventilator.
  • the specifically optimal ventilation parameters determined by the model for the patient are then digitally sent back to the clinic.
  • the data arrives from there a ventilation machine that is configured using the calculated optimal ventilation parameter.
  • the model can also be implemented directly on a computing unit of the ventilation machine, as shown schematically in FIG. 4b.
  • the individual steps of FIG. 4b are described as follows: 4b_1: imaging, acquisition of additional data; 4b_2: Approval, pseudonymization; 4b_3: data access to clinic server of ventilation machine or in clinic; 4b_4: calculation model generation; 4b_5: Optimizing the ventilation settings or finding 0 ö opt ; 4b_6: Data provision PEEP, p in sp, f, t in sp, texp, Fi02, etc .; 4b_7: authorization; 4b_8: application.
  • the patient-specific data at least including the evaluated computed tomographic recordings of the patient's lungs, are transmitted from a clinic server directly to the ventilator.
  • the ventilator can then fully automatically ensure optimal patient-specific ventilation by calculating the optimal parameters on a computing unit of the ventilator. That is, the lung model can be implemented on a computing unit of the ventilator so that simulations are carried out on the ventilator, or alternatively the ventilator ensures that an external computing unit is used for the simulation and the selection of the next ventilation parameter (s) on the ventilator is carried out, ie in particular the simulation step ii) for evaluating and selecting the next ventilation parameter (s).
  • the model is implemented on a simulation server located in the clinic, as is the computer tomograph and the ventilator.
  • the individual steps of FIG. 4c are described as follows: 4c_1: imaging, acquisition of additional data; 4c_2: Approval, pseudonymization; 4c_3: data access to clinic server; 4c_4: calculation model generation; 4c_5: Optimizing the ventilation settings or finding 0 b opt 4c_6 ⁇ .
  • the patient-specific data for example image data, are delivered to this simulation server.
  • the simulation server can process the image data into 3D structural data on which the lung model is based, for example by means of artificial intelligence or machine learning based algorithm.
  • the optimization and simulation steps through which the optimal parameter is determined take place on the clinic's simulation server and are then sent to the ventilator.
  • Fig. 5 shows an embodiment of a system 100 having the following components: a data processing unit 120 a ventilation machine 130, a computer tomograph (CT) 140 and a server 150.
  • the units listed are networked with each other so that digital data between the units of the Systems 100 can be exchanged, in the sense of a data logistic process chain.
  • the components of the system 100 can work locally separated from one another at different rooms, as indicated by the dashed lines 160. This means that the components of the system form a network that enables the exchange of digital data with one another.
  • the CT 140 is located in a clinic A and the server 150 is located in another clinic B or at a service provider, for example a provider of a computing cloud.
  • the ventilator 130 is located within the same clinic A as the CT 140 or at the same clinic B as the server 150 or at another, different clinic C. In a preferred embodiment, the CT 140 is safely located together with the ventilator 130 in clinic A.
  • the server 150 is also located within the clinic A.
  • the server 150 comprises at least one storage unit 152 and at least one processing unit (CPU) 151.
  • the server 150 transfers the patient-specific “CT” image data on request, for example by requesting the data processing device 120 to the data processing device 120.
  • the data processing device 120 has an operating unit 121 and a computing unit 124.
  • the operating unit 121 comprises a processor (CPU) and a memory unit.
  • the operating unit 121 is implemented, for example, by a personal computer and allows a user to initialize the request for the transfer of patient-specific data.
  • the operating unit 121 also enables the user to start optimization to find optimal ventilation settings.
  • the computing unit 122 of the data processing device 120 can be locally separated from the operating unit.
  • the computing unit 122 is ideally through a server formed, which in particular has a high computing capacity.
  • the computing unit therefore consists of at least one CPU 123 and at least one memory unit 124, wherein in this preferred embodiment the lung model is implemented on the computing unit 122 or can be installed on the computing unit 120 from outside the data processing device 120.
  • the operating unit can also be part of the server 122.
  • a user receives a set of CT image data from the server 150 via the operating unit 121.
  • the operating unit 121 forwards the set of image data to the computing unit 122 and the user initializes the evaluation of the set of CT image data via the operating unit 121, in order to provide the model with the 3D geometric structural data set of the lungs required for modeling.
  • the user receives or downloads a patient-specific ventilation curve from the server 150 via the operating unit 121. This process can in particular also be carried out automatically by the software. Alternatively, the ventilation curve can also be downloaded from any patient database. After calibrating the model with the ventilation curve, the user starts the simulation, which ideally automatically provides the optimal ventilation parameters and delivers them to the ventilation machine 130 via the server 150.
  • the computing unit 122 can be outsourced to a service provider, for example, who provides a high computing capacity, in particular for simulating the lung model, whereby in particular a number of optimal ventilation parameters can be calculated in parallel, for example by multiple, parallel selection of next candidates using a or several acquisition functions.
  • the computing unit 150 designed for example as a simulation server, also includes an algorithm for providing the structural data from the transferred, patient-specific CT data, in particular based on artificial intelligence for recognizing relevant lung-specific features from the CT tomographs of a patient. The server 150 transfers this data to the computing unit 122.
  • the simulation server 150 can also execute the simulation of the lung model, if it is with is equipped with corresponding computing capacity, or can access this, and the ventilation parameters are optimized by an external service provider who has the data processing unit 120 at their disposal.
  • FIG. 6 shows a preferred embodiment of a ventilation machine 230, which shows it schematically.
  • the ventilation machine 230 includes a control unit 235 for controlling ventilation by means of ventilation parameters.
  • the ventilation machine 230 further comprises a data processing device 231.
  • the ventilation machine 230 is arranged spatially separated from a server 250 and the CT 240.
  • the CT 240 and the server 250 are located together in a clinic A, and the ventilator 230 can be located in a further clinic B.
  • the ventilation machine 230 forms a network with the CT 240 and the server 250 for the exchange of data, in particular patient-specific data, including the access rights for the transmission of the patient-specific information associated with the data exchange.
  • the ventilation machine 230 has a data processing device 231, which in turn comprises an operating unit 234 with which a user, for example a doctor, operates the ventilation machine 230 and in particular can initialize the determination of optimal ventilation parameters and in particular the at least one ventilation curve for calibrating the lung model can generate and evaluate.
  • the lung model and the optimization method are implemented on the ventilation machine so that the optimization steps for finding optimal patient-specific data can be carried out or coordinated at least partially or completely on the ventilation machine 230.
  • the ventilation machine 230 can also outsource data sets or calculations to an external data server which is suitable for carrying out lung simulations.
  • the ventilation machine has a computing unit 232 with a memory unit 235 and at least one processor (CPU) which has a high computing power, so that the optimization steps i) - iii), including the provision of the initial parameters using Monte Carlo or Latin Hyper-Cube Sampling, can be carried out.
  • the data processing device can ideally process the 3D CT image data for the required structural geometry of the lung model.
  • the ventilation machine 230 is located in a hospital in which both the CT 240 and the server 250 are located.
  • the patient-specific CT image data are transferred to the machine 230 from the tomograph 240 via the server 250 or are already on the server 250 and are then transferred directly from the data processing device 231 of the ventilation machine 230 structurally prepared for the model.
  • a ventilation curve of the patient for the calibration of the model on the patient can be recorded and evaluated in parallel with the ventilation machine 230.
  • the software implemented on the ventilation machine 230 then processes the 3D CT image data that has been made available in the meantime and thus digitally builds the 3D geometry of the lung image.
  • a calibration is carried out automatically by the computing unit 232 using the ventilation curve.
  • a doctor can then carry out the optimization on the ventilation machine 230, so that the optimal ventilation parameter is then supplied directly to the control unit 235 of the ventilation machine 230.
  • FIG. 7 shows a further embodiment of the invention in which no imaging takes place. Instead, the operator makes a ventilation suggestion which includes at least two ventilation parameters and which can simultaneously serve as a signal for enabling and pseudonym formation of the exchange of patient-specific data.
  • 7 are described as follows: 7_1: Ventilation suggestion PEEP, p in sp, f.tinsp, texp, Fi0 2 , etc .; 7_2: data transfer PEEP, p in sp, f.tnsp, Fi0 2 , etc .; 7_3: Calculation model generation; 7_4: model evaluation; 7_5: Data transfer, feedback regarding the effects of the settings on the patient's lungs, eg maximum stretching, O2 perfusion etc .; 7_6: decision yes no; 7_7: application if necessary.
  • the data of the ventilation parameter proposal for example a doctor, who in this case can also be located at a location other than the ventilation machine, are then sent to the storage or calculation location, mostly to a cloud server for the simulation and Optimization, transmitted.
  • the ventilator can through the Ventilation parameter proposal ideally configured by the external operator via the network and monitored with regard to the result achieved in the form of, for example, patient-sensitive lung data such as tissue expansion.
  • the external operator can terminate the optimization in particular after a number of iterations.
  • additional patient data from other embodiments can ideally also be transmitted in order to generate or personalize the computer model of the lungs, for example structural, geometric data of the patient's lungs.
  • At least one model evaluation takes place, which generates result data in the form of fluid and structural-mechanical variables, data on gas exchange, chemical reactions and other information that can be determined with the calculation model of the lungs.
  • a first evaluation results in a selective query of the lung behavior with regard to the ventilation suggestion, whereupon the optimization generates further, more ideal ventilation parameters and displays them to the external operator with regard to their patient-specific effect, for example as a continuous graphic of one or more that expands with each iteration patient-relevant sizes.
  • the model can submit a counter-proposal to the user based on his proposal.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Veterinary Medicine (AREA)
  • Pulmonology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Hematology (AREA)
  • Emergency Medicine (AREA)
  • Anesthesiology (AREA)
  • Surgery (AREA)
  • Physics & Mathematics (AREA)
  • Physiology (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

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

Description

Verfahren, Computerprogramm, System, und Beatmungsmaschine, zur Ermittlung patientenspezifischer Beatmungsparameter an einer Beatmungsmaschine
Die Erfindung bezieht sich auf ein computerimplementiertes Verfahren, ein Computerpro- gramm, ein System und eine Beatmungsmaschine, zur Ermittlung eines patientenspezifi- schen 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 häu- figste 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 zyk- lisch 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 ver- änderbaren Parameter am Beatmungsgerat präzise und hochindividuell auf den jeweiligen Patienten angepasst werden. Diese Personalisierung der Beatmung gestaltet sich oft der- art komplex, dass im Zuge des mehrfach notwendigen Nachjustierens der Parameter be- atmungsinduzierte Schäden an der Lunge auftreten können, welche bis zum Tod des Pa- tienten führen können. Dieses Problem stellt sich insbesondere auch bei schweren Fällen von Coronavirus- (COVID-19) Erkrankungen. Die Feineinstellung der Beatmungsparame- ter 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 Zü- gen möglich. Der medizinische Goldstandard arbeitet mit statistisch validierten Beat- mungswerten 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 bestim- men, um nachfolgend eine möglichst effiziente und schonende Beatmung zu erreichen.
Diese Aufgabe wird gelöst durch das Verfahren gemäß Anspruch 1 , das Computerpro- grammprodukt gemäß Anspruch 22, das System gemäß Anspruch 24 und die Beatmungs- maschine gemäß Anspruch 25.
Das erfindungsgemäße Verfahren dient der automatisierten Ermittlung optimaler Beatmungsparameter θb, opt zur maschinellen Beatmung von Patienten, und weist die computerimplementierten, d.h. mittels mindestens einer Datenverarbeitungs- einrichtung umsetzbaren, Schritte auf:
• Bereitstellen eines patientenspezifischen digitalen Lungenmodells, Eingabe initialer Input - Beatmungsparameter 0b, als Beatmungsparameter θb,i = θb, init;
• Iteratives Durchführen der folgenden Schritte (i) bis (iii), bis zur Erfüllung eines Abschlusskriteriums, welches das Erreichen optimaler patientenspezifischer Beatmungsparameter θb,i = θb, opt prüft und/oder das Erreichen einer vorbe- stimmten Anzahl von Iterationen vorsieht; i) Auswerten der am Lungenmodell in Abhängigkeit von dem Beatmungspara- meter θb,i simulierten maschinellen Beatmung, durch Ermitteln des Wertes mindestens einer patientenspezifischen Zielfunktion F = F(θb,i) aus dem Lungenmodell, wobei , die Zielfunktion F eine Lungenreaktion auf die simulierte maschinelle Beat- mung in Abhängigkeit von mindestens einem Output-Parameter des Lungen- modells beschreibt, ii) Bewerten des mindestens einen ermittelten Wertes der Funktion F anhand mindestens einer vorbestimmten Referenzgröße, und
Auswahl mindestens eines nächsten Beatmungsparameters θb ,next, unter Ver- wendung eines von mindestens einem zuvor verwendeten Beatmungspara- meter θb,i abhängigen Auswahlverfahrens; iii) Verwendung des mindestens einen nächsten Beatmungsparameters θb ,next als Beatmungsparameter θb,i zur Ermittlung von F = F(θb,i = θb ,next ) in Schritt i);
• Bereitstellen des patientenspezifischen optimalen Beatmungsparameters 0b, opt.
Die Erfindung beruht auf der Idee, die Einstellungen einer Beatmungsmaschine bzgl. ihrer Eignung für den individuellen Patienten systematisch und unter Verwendung einer modell- basierten, personalisierten, rechnerbasierten Vorhersage zu ermitteln, bevor diese am Be- atmungsgerät appliziert werden, so dass der Patient schließlich möglichst ideal, d.h. scho- nend und effizient beatmet wird. Die Beatmungseinstellungen der Beatmungsmaschine werden insbesondere parametrisiert und können als vektorwertige Größe (Beatmungspa- rameter θb) 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 Lungen- reaktion bzw. Ergebnisgrößen (Output-Größen des Modells der Lunge) sukzessive, d.h. von Iteration zu Iteration, mithilfe eines Auswahlverfahrens geändert werden, das insbe- sondere nicht auf das Lungenmodell zurückgreift das insbesondere weniger Rechenauf- wand als das Lungenmodell erzeugt und und das deshalb schneller ausführbar ist. Das erfindungsgemäße Verfahren ist nicht zu verwechseln mit dem therapeutischen Ver- fahren der (künstlichen) Beatmung des Patienten durch eine Beatmungsmaschine, insbe- sondere beinhaltend die Schritte des Anschließens oder Trennens des Patienten von einer Beatmungsmaschine, - dieses therapeutische Verfahren ist nicht Gegenstand der Erfin- dung.
Als optimaler Beatmungsparameter θb, opt wird insbesondere ein solcher Beatmungspara- meter angesehen, der zu einer für den Patienten physiologisch akzeptablen Beatmung bzw. Lungenreaktion F führt, was mittels der medizinisch indizierten, vorbestimmten Re- ferenzgrößen geprüft wird. Selbst wenn bereits ein in diesem Sinne geeigneter Beat- mungsparameter 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 ein- gerichtet, 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 Beatmungsparameterθb ,next auszuwählen und als Input-Größe für das Lungenmodell zu verwenden. Das Ver- fahren ist vorzugsweise dazu eingerichtet, d.h. insbesondere programmiert, dass der Op- timierungsdurchlauf (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 θb, opt in möglichst kurzer Zeit zu bestimmen. Auf diese Weise wird Rechenleistung gespart, bzw. der apparative Aufwand zur Imple- mentierung des erfindungsgemäßen Verfahrens sinkt. Die Vorhersage des optimalen Beatmungsparameters gemäß der Erfindung verwendet ein personalisiertes Berechnungsmodell der Lunge, das zur Erzeugung von Daten bezüg- lich der Eignung und Auswahl der bestmöglichen Beatmungseinstellungen für den Patien- ten dient. Ein zur Ausführung der Erfindung geeignetes, digitales Lungenmodell wird be- schrieben 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 beschrie- ben. 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 Be- atmungsmaschine, als Zielfunktion F zu quantifizieren.
Die aus dem Lungenmodell berechnete Lungenreaktion bzw. Zielfunktion F ist patientenspe- zifisch, da das Lungenmodell patientenspezifisch ist. Das Lungenmodell ist insbesondere des- halb 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 θm an eine patientenindividu- elle Eigenschaft, insbesondere an die physische Eigenschaft der Lunge eines Patienten (siehe Kalibrierung), durch eine Patienten- bzw. Krankheitshistorie oder genetische Merk- male, angepasst wurde. Insbesondere wird vor dem Starten des Verfahrens das Lungenmo- dell, welches insbesondere basierend auf Bilddaten der Patientenlunge ermittelt worden sein kann, mittels einer Beatmungskurve des Patienten, die mindestens einen Atemzug des Pati- enten, 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 ptrachea (t) und/oder einer Fluss-Zeit-Kurve θtrachea (t) und/oder einer Volumen-Zeit-Kurve vtrachea(t) und/oder einer Atemgasgemisch- zusammensetzungs-Zeit-Kurve oder daraus abgeleiteten Kurven oder insbesondere Kombi- nationen dieser Messkurven. Die Kurven ergeben sich hierbei aus der Einstellung des Beat- mungsgeräts und des beispielsweise metabolischen, biologischen, bio-chemischen, insbeson- dere physikalischen Antwortverhaltens des Patienten. Bei der Kalibrierung werden mindestens einer, mehrere oder alle Parameter θm angepasst. Insbesondere die Materialparameter der Aveolen-Cluster (ACs) und/oder weitere Materialparameter. Insbesondere kann auch eine ,atientenspezifische, volumenabhängige Pleuraldruckrandbedingung kalibriert sowie weitere Parameter θm.
Für einen Fachmann sind beispielweise aus „C.J. Roth et al. , Coupling of EIT with compu- tational lung modeling for predicting patient-specific Ventilator responses, Journal of Ap- plied Physiology 122: 855-867, 2017; DOI: 10.1152/japplphysiol.00236.2016“ aus den An- gaben auf Seite 856 ff. „Method Part“ die Modellparameter θm welche für eine Kalibrierung benützt werden, entnehmbar.
Vorzugsweise ist das mindestens eine Lungenmodell patientenspezifisch, indem es insbeson- dere von einem Mediziner für diesen Patienten aus einer Datenbank von vorbestimmten Lun- genmodellen 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 Ziel- funktion N, wobei N die Anreicherung von Gas im Blut der Lunge beschreibt als Funktion min- destens eines Output-Parameters des Lungenmodells, wobei der mindestens eine Output-Pa- rameter einen Gaspartialdruck im Blut des Patienten beschreibt, und B die mechanische Be- lastung der Lunge beschreibt als Funktion mindestens eines Output-Parameters des Lungen- modells 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 Be- schreibung einer Lungenreaktion verwendet.
Vorzugsweise beschreibt die Funktion B die durch die Beatmung hervorgerufene mechanische Belastung mittels einer Dehnung e(c, t) des Lungengewebes und/oder eines in der Lunge herr- schenden Drucks p(x, t). Vorzugsweise beschreibt die Funktion B eine Abhängigkeit von der Dehnung B(e(c, 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 her- vorgerufene 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 Funk- tion 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 ins- besondere 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 hervorgerufe- nen Gaspartialdruck von Sauerstoff m(02) und/oder Kohlendioxid μ(C02) im venösen oder arteriellen Blut der Lunge.
Vorzugsweise beinhaltet das Auswahlverfahren zur Auswahl nächster Beatmungsparameter- werte θb ,next einen Algorithmus, insbesondere ein Optimierungsverfahren nach Bayes, der/das insbesondere unter Verwendung einer oder mehrerer Gaußprozesse, Random For- rests, 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 Techni- ken basierenden Algorithmus.
Ein Optimierungsverfahren nach Bayes wird beschrieben von „Snoek, J. etal. Practical Bayes- ian 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 ofthe loop: A review ofbayesian 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, D0l:10.1002/9781118723203, 1987 by John Wiley & Sons, Ltd. Auf stochastischen Techniken basierende Algorithmen werden be- schrieben 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 Beat- mungsparameters θb ,next auf einem probabilistischen Regressionsverfahren, das von mindes- tens einem, zuvor ermittelten Datensatz T, = (θb,i , F(θb,i)) abhängt, und einer Akquisitionsfunk- tion zur Auswahl nächster Beatmungsparameterwerte θb ,next , insbesondere ein Regressions- verfahren auf Basis von einem Gaußprozess.
Vorzugsweise beinhaltet das Auswahlverfahren zur Auswahl mindestens eines nächsten Be- atmungsparameters θb ,next , eine Akquisitionsfunktion, die den Erwartungswert der Verbesse- rung verwendet („expected-improvement Funktion“), insbesondere unter Berücksichtigung von Nebenbedingungen („expected-constrained-improvement Funktion“).
Vorzugsweise beinhaltet das Auswahlverfahren zur Auswahl mindestens eines nächsten Be- atmungsparameters 9b next, eine Akquisitionsfunktion, die eine Entropiesuche verwendet, o- der die einen Knowledge-Gradienten verwendet.
Vorzugsweise wird der Beatmungsparameter 0b,i durch eine Menge von Parametern beschrie- ben, die den Druck-Zeit-Verlauf und/oder den Volumen-Zeit-Verlauf eines Atemzugs beschrei- ben, wobei insbesondere 0b ausgewählt ist aus der Gruppe möglicher und bevorzugter Para- meter θb,i = {pinsp,PEEP, tinsp, texp, tplataue, f , Fi02, pup, pdown orzugsweise ist in Schritt (ii) vorgesehen, mindestens einen nächsten Beatmungsparameter 9b next zu bestimmen, vor- zugsweise mehrere nächste Beatmungsparameter 9b 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 Beatmungspa- -ameters“ 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 m(02)“ berücksichtigt und die Nebenbedingung beinhaltet, dass der Sauerstoffpartialdruck m(02) die Referenzgröße So2der Anreicherung, des im Blut des Patienten angereicherten Sauerstoffs nicht unterschreitet, und wobei insbesondere S02, insbesondere als eine patientenspezifische Referenzgröße vorbe- stimmt ist. Bewertet im Sinne der Erfindung bedeutet insbesondere einen Vergleich mit bisher erhaltenen Werten für andere Beatmungsparameter 0b 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 Refe- renzgröße, insbesondere eine maximale Dehnung Bmax( (x, t)) und/oder Druck Bmax(p(x, t)) innerhalb der Lunge nicht überschritten werden darf, und/oder eine Sauerstoffsättigung S02 nicht unterschritten werden darf.
Vorzugsweise wird in Schritt (iii) mindestens ein neuer Beatmungsparameter 0b durch einen Bayes’schen Optimierungsschritt bestimmt. Alternative kann der Beatmungsparameter auch über systematische (stochastische oder deterministische) Verfahren variiert werden. Eine sys- tematische Variation ist einer Rastersuche (grid-search) vorzuziehen, da dadurch ein Effizi- enzgewinn bzw. eine verkürzte Laufzeit und reduzierter Rechenaufwand des Verfahrens zur Auffindung geeigneter Beatmungsparameter resultiert.
Vorzugsweise wird ein Satz initialer Input - Beatmungsparameter 0b 1;j init mittels eines zufäl- ligen 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 mindes tens einen Output - Parameter durch Simulation des Satzes der initialen Input - Beatmungs parameter 0b,i:j,init berechnet wurden, zum Trainieren eines Gaußmodells verwendet. Vorzugsweise werden in Schritt (ii) die Funktionswerte der Funktion B, die aus dem mindes tens einen Output - Parameter durch Simulation des Satzes nächster Input - Beatmungspara meter 0b,next berechnet wurden, zum weiteren Trainieren des Gaußmodells verwendet wer den, 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 mindes tens einen nächsten Beatmungsparameterwert 0b next unter Berücksichtigung einer Verbes serungsfunktion \{ßb next ) auswählt und die Verbesserungsfunktion wie folgt berechnet wird: - R(ßb,next )), wobei B{ ) die Posterior-Verteilung des Ersatzmo dells an der Stelle 0b next und den Funktionswert mit bisher geringster mechanischer Belastung als Funktion des bisher geeignetsten Beatmungsparameters 0b darstellen, und die Akquisitionsfunktion sich als Produkt aus dem Erwartungswert der Verbesserungsfunktion l{ßb,next ), gemäß EI = E[l(0bAext ) I 0bAext ] und einer zusätzlichen Funktion l(ebAext ) zu sammensetzt zu {ßbAext ) * E[l(ßb next ) \eb Tiext ], wobei sich D ergibt aus einer Indikatorfunk tion D , die 1 ist, falls die Funktion N(ßbAext) kleiner oder größer als eine vorbestimmte Refe renzgröße ist und null sonst, und dem Einsetzen eines probabilistischen Ersatzmodells N(ßbAext), insbesondere auf Basis eines Gaußprozesses.
Vorzugsweise ist das patientenspezifische Lungenmodell patientenspezifisch, indem es in Ab hängigkeit gemessener Bilddaten der Lunge des Patienten erstellt worden ist. Vorzugsweise wurden die Bilddaten durch ein bildgebendes Verfahren am Patienten gewonnen, insbeson dere mittels Computertomographie (CT), Magnetresonanztomographie (MRT) Ultraschall, Röntgenaufnahme oder Elektroimpedanztomographie (EIT)
Vorzugsweise ist das patientenspezifische Lungenmodell patientenspezifisch, indem es mit tels Messdaten von Patienten erstellt worden ist, indem vorzugsweise vor dem Starten des Verfahrens das patientenspezifische Lungenmodell mittels einer Beatmungskurve des Patien ten, die mindestens einen Atemzug des Patienten aufweist, und/oder einem speziellen Beatmungsmanöver, wie bspw. einem Low-Flow-Manöver und/oder einer Ösophagusdruck messung kalibriert wird. Hierbei werden mindestens einer, mehrere oder alle Parameter θm kalibriert, d.h. die Werte der Modellparameter werden mittels der Beatmungsparameter min destens teilweise festgelegt.
Vorzugsweise ist die mindestens eine vorbestimmte Referenzgrößen patientenspezifisch, in- dem sie insbesondere von einem Mediziner für diesen Patienten festgelegt wurde, indem sie sich aus medizinischen Erfahrungswerten für eine Patientenkategorie (Geschlecht, Alter, Ge- wicht, 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 Lun genmodell, aufweisend Befehle, die, wenn sie auf einem Prozessor einer Datenverarbei tungseinheit ausgeführt werden bewirken, dass die folgenden Schritte (i) bis (iii) iterativ, bis zur Erfüllung eines Abschlusskriteriums durchgeführt werden, welches das Erreichen optima ler patientenspezifischer Beatmungsparameter θb,i = 0b, oPt prüft und/oder das Erreichen einer vorbestimmten Anzahl von Iterationen prüft: i) Auswerten der am Lungenmodell in Abhängigkeit von dem Beatmungspara meter θb,i simulierten maschinellen Beatmung, durch Ermitteln des Wertes mindestens einer patientenspezifischen Zielfunktion F = F(θb i,) aus dem Lungenmodell, wobei die Zielfunktion F eine Lungenreaktion auf die simulierte maschinelle Beat mung in Abhängigkeit von mindestens einem Output-Parameter des Lungen modells beschreibt, ii) Bewerten des mindestens einen ermittelten Wertes der Funktion F anhand mindestens einer vorbestimmten Referenzgröße, und
Auswahl mindestens eines nächsten Beatmungsparameters θb n, ext, unter Ver wendung eines von mindestens einem zuvor verwendeten Beatmungspara meter θb,i abhängigen Auswahlverfahrens; iii) Verwendung des mindestens einen nächsten Beatmungsparameters 9b next als Beatmungsparameter 0b, , zur Ermittlung von F = F( θb,i = 0b next ) in Schritt i). Die Erfindung betrifft auch ein computerlesbares Medium, auf dem ein Computerprogramm produkt gespeichert ist, welches ein digitales Lungenmodell verwendet, und Befehle aufweist, die, wenn sie auf einem Prozessor einer Datenverarbeitungseinheit ausgeführt werden bewir ken, dass die folgenden Schritte (i) bis (iii) iterativ, bis zur Erfüllung eines Abschlusskriteriums durchgeführt werden, welches das Erreichen optimaler patientenspezifischer Beatmungspara- meter θb,i = 0b, opt prüft und/oder das Erreichen einer vorbestimmten Anzahl von Iterationen prüft: i) Auswerten der am Lungenmodell in Abhängigkeit von dem Beatmungspara meter 0b, i simulierten maschinellen Beatmung, durch Ermitteln des Wertes mindestens einer patientenspezifischen Zielfunktion F = F(θb,i ) aus dem Lungenmodell, wobei die Zielfunktion F eine Lungenreaktion auf die simulierte maschinelle Beat- mung in Abhängigkeit von mindestens einem Output-Parameter des Lungen modells beschreibt, ii) Bewerten des mindestens einen ermittelten Wertes der Funktion F anhand mindestens einer vorbestimmten Referenzgröße, und
Auswahl mindestens eines nächsten Beatmungsparameters θb ,next, unter Ver wendung eines von mindestens einem zuvor verwendeten Beatmungspara meter 0b,i abhängigen Auswahlverfahrens; iii) Verwendung des mindestens einen nächsten Beatmungsparameters θb ,next als Beatmungsparameter 0b, , zur Ermittlung von F = F(θb,i = θb ,next ) in Schritt i).
Die Erfindung betrifft auch ein System aufweisend mindestens eine Datenverarbeitungsein richtung und ein Computerprogrammprodukt, wobei die mindestens eine Datenverarbeitungseinrichtung eingerichtet ist, das Computerprogrammprodukt auszuführen und insbesondere Daten zur Steuerung der Beatmungsmaschine mit einer Beatmungsma schine auszutauschen, wobei das Computerprogrammprodukt ein digitales Lungenmodell ver wendet, und das Computerprogrammprodukt Befehle aufweist, die, wenn sie auf einem Pro zessor 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 θb,i = 0b, oPt prüft und/oder das Erreichen einer vorbestimmten Anzahl von Iterationen prüft: i) Auswerten der am Lungenmodell in Abhängigkeit von dem Beatmungspara meter θb,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 Beat mung in Abhängigkeit von mindestens einem Output-Parameter des Lungen modells beschreibt, ii) Bewerten des mindestens einen ermittelten Wertes der Funktion F anhand mindestens einer vorbestimmten Referenzgröße, und
Auswahl mindestens eines nächsten Beatmungsparameters θb ,next, unter Ver wendung eines von mindestens einem zuvor verwendeten Beatmungspara meter 0b,i abhängigen Auswahlverfahrens; iii) Verwendung des mindestens einen nächsten Beatmungsparameters θb ,next als Beatmungsparameter 0b, , zur Ermittlung von F = F(θb,i = θb ,next ) in Schritt i).
Vorzugsweise beinhaltet das System mindestens eine Beatmungsmaschine, welche insbe sondere für den Datenaustausch mit der Datenverarbeitungseinrichtung des Systems einge richtet ist. Die Datenverarbeitungseinrichtung des Systems kann Bestandteil der Beatmungs maschine 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 Datenverarbeitungseinrich tung des Systems eingerichtet ist. Die Datenverarbeitungseinrichtung des Systems kann Be standteil der Messvorrichtung sein.
Die Erfindung betrifft auch eine Beatmungsmaschine mindestens aufweisend eine Steue rungseinheit und eine Datenverarbeitungseinrichtung, die geeignet ist mindestens ein Compu terprogrammprodukt einzulesen und auszuführen, und wobei die mindestens eine Datenver arbeitungseinrichtung 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 Lungen modell 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 θb,i = 0b, oPt prüft und/oder das Erreichen einer vorbestimmten Anzahl von Iterationen prüft: i) Auswerten der am Lungenmodell in Abhängigkeit von dem Beatmungspara meter θb,i simulierten maschinellen Beatmung, durch Ermitteln des Wertes mindestens einer patientenspezifischen Zielfunktion F = F(Qb i) aus dem Lungenmodell, wobei die Zielfunktion F eine Lungenreaktion auf die simulierte maschinelle Beat mung in Abhängigkeit von mindestens einem Output-Parameter des Lungen modells beschreibt, ii) Bewerten des mindestens einen ermittelten Wertes der Funktion F anhand mindestens einer vorbestimmten Referenzgröße, und
Auswahl mindestens eines nächsten Beatmungsparameters θb ,next, unter Ver wendung eines von mindestens einem zuvor verwendeten Beatmungspara meter 0b,i abhängigen Auswahlverfahrens; iii) Verwendung des mindestens einen nächsten Beatmungsparameters θb ,next als Beatmungsparameter 0b, , zur Ermittlung von F = F(θb,i = θb ,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:
Fig. 1 zeigt schematisch eine Druck-Zeit-Kurve mit einem exemplarisch gewählten Beatmungsparameter, beinhaltend Parameter wie den endexspiratorischen Druck PEEP, den inspiratorischen Druck pinsp, die Druckrampen ,pup, pdown, sowie die In- spirations- und Exspirationszeiten tinsp , texp .
Fig. 2 zeigt das Prinzip des iterativen Vorgehens zur Verbesserung des Beatmungs parameters schematisch.
Fig. 3 zeigt die Schritte i) bis iii) für eine Bestimmung eines optimalen Beatmungs parameters, ausgehend vom Bereitstellen eines Satzes initialer Beatmungsparame ter mittels Monte Carlo oder Latin-Hyper-Cube Verfahren.
Fig. 4a-c zeigen schematisch drei unterschiedliche Ausführungsformen der Erfin dung, bei welchen je nach Ausführungsform die Ermittlung der Beatmungseinstel lungen als datenlogistische Prozesskette an unterschiedlichen Orten stattfindet, ins besondere auf einem Rechenserver eines Cloud-Computing-Anbieters auf einem Server in einer Klinik oder im Beatmungsgerät selbst.
Fig. 5 zeigt eine Ausführungsform des Systems zur Bestimmung eines optimalen Beatmungsparameters schematisch. Fig. 6 zeigt eine Ausführungsform der Beatmungsmaschine schematisch, wobei die Beatmungsmaschine eine Datenverarbeitungseinrichtung zum Durchführen der Si mulation und der Optimierung aufweist.
Fig. 7 zeigt eine Ausführungsform, bei welcher ohne patientenspezifische Bildge- bung rein auf Basis zusätzlicher, von der Bildgebung unterschiedlicher patientenspe zifischer 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 ver bessern In diesem Fall müssten die 3D Strukturdaten aufgrund eines bereits beste henden „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 ei nem patientenspezifischen Lungenmodell wird nachfolgend auch ein Lungenmodell ver standen, das auf einen Patienten kalibriert ist, beispielsweise durch Kalibrierung des Lun genmodells mittels einer realen Beatmungskurve des Patienten. Die Beatmungskurve stellt sich insbesondere als Druck-Zeit-Kurve und/oder Fluss-Zeit-Kurve eines oder meh rere 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 wichtigs ten Parameter der Beatmungskurve die folgenden:
PEEP, beschreibt das Druckniveau am Ende der Ausatmung (positive-end-exspiratory pressure), pinsp, definiert als inspiratorischer Druck beschreibt das Druckniveau, welches den Zieldruck bei der Einatmung vorgibt.
Die beiden Druckrampen pup, pdown beschreiben den Anstieg bzw. den Abfall des Drucks bei Ein- Ausatmung, d.h. wie rasch der Druck zu bzw. abnehmen soll.
Die Parameter tinsp texp beschreiben die Einatmungszeit und die Ausatmungszeit, d.h. wie lange eingeatmet und ausgeatmet wird.
Die Atemfrequenz/, bzw. die Periodendauer eines Atemzugs 1/f gibt an, wie viele Atem züge während einer Zeiteinheit, zumeist innerhalb einer Minute durchgeführt werden. Der Parameter Fi 02 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 an deren 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 Beatmungsma schine eingestellt werden können, jedoch die Beatmung beeinflussen, wie bspw. die La gerung des Patienten (bspw. Rücken- oder Bauchlage), berücksichtigt werden.
Der Input in das Lungenmodell umfasst mindestens einen Beatmungsparameter 0 , wel cher in Vektorform die Parameter der Beatmungskurve 0b = {Pinsp, PEEP, tinsp, texp, f, Fi02, pup, pdown} enthält. Ein Beatmungsparameter 0b beschreibt demnach eine Vielzahl jeweils möglicher Einstellungen der Beatmungsmaschine. Anders ausgedrückt, die Parameter {pinsP,PEEP, tinsp, texp,f,Fi02,pup,pdown, ... } spannen einen In put-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 0b,opt, bzw. Parameter zu finden, durch welchen für Patienten re levante Ausgangsgrößen des Simulationsmodells minimiert und/oder maximiert werden, unter Berücksichtigung vorbestimmter und/oder patientenspezifischer Vorgaben, d.h. Re ferenzgrößen. 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 c(x,t), der Druck p(x,t), die Flussraten Q(x,t), und/oder ein grenzflä chenaktiver Faktor der Lungenbläschen sf(x,t) und/oder ein Kollaps c( x,t) und/oder ein Re-Opening r( x,t) sein. In Abhängigkeit des Verlaufs der für den Patienten relevanten simulierten Ausgangsgrößen wird die nächste zu simulierende Eingangsgröße, d.h. der nächste Beatmungsparameter 0b next bestimmt. Dabei erfolgt die Auswahl eines nächsten Beatmungsparameter 0b next so, dass möglichst schnell, d.h. nach einer geringen Anzahl von Iterationen, d.h. Simulationsdurchläufen nächster Beatmungsparameter, ein idealer Beatmungsparameter 0b,opt gefunden ist. Alternativ kann auch in einer anderen Ausfüh rungsform nach einer vorbestimmten Anzahl von Iterationsschritten das Modell beispiels weise abgebrochen und der bis dahin geeignetste gefundene Beatmungsparameter aus gegeben werden.
Im Lungenmodell berücksichtigt werden (i) die Atemwege, die aus der Luftröhre, sowie den Bronchien und Bronchiolen bestehen, (ii) Alveolencluster (AC), die die Alveolen (Lun genbläschen) 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 Einat men 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. Bei spielsweise 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 darstel len. 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 funktionei len Restkapazität (FRC) von FRC = 2,65l und eine Gesamtlungenkapazität (TLC) von TLC = 4,76l. 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 simulie ren, 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 wel cher jeweils einen der beiden Lungenflügel mit Sauerstoff versorgt. Jeder Bronchienhaupt stamm teilt sich weiter in kleinere Bronchien auf (Bronchien zweiter Ordnung): Der rechte Hauptbronchus verzweigt sich meist zu drei Hauptästen, welche die meist drei Lungenlap pen 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 Segment bronchien und in immer kleinere Äste (Generationen) verzweigen. Nach etwa 20-25 Teilungsschritten, d.h. Generationen, entsteht so das weit verzweigte System des Bron chialbaums. Dieses System der Bronchien ist über den CT-Bilddatensatz verfügbar und kann beispielsweise mittels eines auf künstlicher Intelligenz basierenden Bilderkennungs algorithmus 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 Auf bau. Die kleinsten Verzweigungen der Bronchien, die Bronchiolen, haben einen Innen durchmesser von weniger als 1 mm. Daher reicht die CT-Auflösung nicht aus, um diese Strukturen ortsaufgelöst darzustellen. Während die Atemwege der unteren Generation di rekt 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 Längen abschlusskriterium (lt = 1 ,2 mm), ein Radiusabschlusskriterium (rt = 0,2 mm) oder eine Generation Abbruchkriterien (Ngen = 17) erreichen. Die Skalierung des Radius des Toch- ter-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 allge mein bekannt ist. Die Radiusskalierung, die Atemwegsausrichtung und die Atemwegs länge 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. Bei spielsweise 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 ofresistance 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 DR ent lang eines Atemweges als linear abhängige Größe des Strömungswidertand R und der Flussrate Q durch den Atemwegskanal als DR = Q * R dargestellt ist. Dieser Ausdruck wird diskretisiert, gemäß APn+1 Rn+1 * Qn+1 mit n = t/Dΐ. 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 Strö mungswiderstand R berücksichtigt sowohl geometrische als auch turbulente Strömungs verluste im Atemwegssystem der Lunge und wurde an experimentelle Lungendaten ange passt. In Roth C.J. et al. , A comprehensive computational human lung model incorporating inter-acinar dependencies: Application to spontaneous breathing and mechanical Ventila tion, Journal of Numerical Methods in Biomedical Engineering 2016; e02787 DOI: 10.1002/cnm.2787“ Ist eine Erweiterung angegeben, die den Effekt der Querschnittsver änderung 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 di mensional modeling of respiratory mechanics during spontaneous breathing. International Journal of Numerical Methods in Biomedical Engineering 2013; 29:1285-1305“ entwickel ten inversen Ansatz generiert. Da sich die CT-Daten im endexspiratorischen Zustand be finden, wird für die 3D - Lungengeometrie ein konstanter Pleuraldruck von 5,3 cm H20 angenommen. Nach den morphologischen Daten der menschlichen Alveolengröße, die bei einem transpulmonalen Druck von 25 cm H20 in allgemein bekannter Literatur gemes sen wurden, und dem von „Ismail M. et al.“ entwickelten inversen Ansatz, wird in der in dieser Ausführungsform bespielhaft berechneten Lunge eine Anzahl Nai von 797 Millionen Alveolen festgestellt. Die Anzahl der Lungenbläschen pro Lungenlappen ist N-b = wobei Vilb das Volumen eines Lappens und Vlung das Gesamtvolumen der Lunge ist. Die Anzahl der Lungenbläschen an jedem peripheren Atemweg ist N“lv = Nlb wo bei Af die Austrittsfläche des peripheren Atemweges und Alb die Summe aller Austritts flächen der peripheren Atemwege innerhalb eines Lappens ist. Die Anzahl der Lungen bläschen N?lv kann zur weiteren Präzisierung mit einem Faktor basierend auf den Alveo len räumlich zugeordneten CT-Daten multipliziert werden. Schließlich werden die Lungen bläschen, 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 gruppie ren, 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 Bronchio len, sind zu einem Alveolencluster zusammengefasst. Durch diese physiologische Grup pierung 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. Internatio nal Journal of Numerical Methods in Biomedical Engineering 2013; 29:1285-1305“ be schriebenen AC Modells, welches auf einem rheologischen Modell mit parallel geschalte ten Maxwell-Elementen basiert. Dieses rheologische Modell wurde kalibriert, um das me chanische Verhalten des in „Denny E, Schroter RC. Viscoelastic behavior of a lung alveo lar 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 Alveo lengänge identisch verhalten. Dieser Ansatz ermöglicht es weiter, den gesamten AC als null dimensionales (0-D) - Element zu modellieren, unter Beibehaltung seiner viskoelasti- schen 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 Alve olen beschreibende Federkonstante (lineares Federmodell) durch einen nichtlinearen Ausdruck ersetzt, welcher zwei exponentielle Terme enthält. Dieses zweifach exponentiell versteifende Materialgesetz ist wie folgt definiert:
E1 = E? + El
E[ = kleTl(Vi~v^
Hierbei ist ^ die Steifigkeit (Federkonstante), vt das Volumen eines Alveolengangs und vf 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 = 6.51 x 10 4 cmH20 cm~3 b = 35.23 x 107cmH20 cm~6 ku = 6.79 x 10 ~scmH20 cm~ 3 th = 14.47cm s-1 kl = 5.32 x 10 scmH20 cm~ 3 ti = —9.0 cm s 1 ln 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 Druckdif ferenz zwischen Atemwegseinlass des AC und der Umgebung in Abhängigkeit des AC- Volumens bestimmt werden.
Für die Lösung des vollständig gekoppelten Gleichungssystems aus nichtlinearen Atem wegen und nichtlinearen ACs kann ein klassisches Newton-Raphson-Schema verwendet werden oder man verwendet ein fixpunktartiges Iterationsverfahren oder ein anderes ge eignetes 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 paar weise oder in Gruppen diejenigen ACs (und Atemwege), welche sich gegenseitig beein flussen. 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 zusätz liche 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 Ab hängigkeiten im Lungenmodell eine Notwendigkeit zur realistischen Simulation einer pati entenspezifischen Lunge. Eine mathematische Beschreibung zur Implementierung dieser Abhängigkeiten ist in „Roth C.J. et al., A comprehensive computational human lung mode! 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 ande rem über ein Abstandskriterium oder über die Nachbarschaft raumfüllender Zellen erreicht werden kann. Des Weiteren werden diejenigen ACs detektiert, welche in direkter Verbin dung zur lungenseitigen Pleura, bzw. dem Pleuraraum (Pleuralspalt) stehen, also zumin dest 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 Zu sammenspiel zwischen benachbarten ACs, indem es als fiktiver „Inter-AC-Druck“ Pintrein geführt wird, der dafür sorgt, dass Druckheterogenitäten sich über benachbarte ACs hin weg ausbreiten. Dies erlaubt es, den Pleuraldruck nur an den sub-pleuralen ACs, anzule gen. 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 Ma terialeigenschaften wie z.B. bei einer gesunden Lunge, homogen verteilt ist. Bei heteroge nem Pleuraldruck, zum Beispiel aufgrund des Einflusses der Schwerkraft, sowie bei hete rogener Verteilung der Materialeigenschaften der Lunge, werden Kräfte, die auf eine Al veolarwand ausgeübt werden, in Abhängigkeit von der Anzahl der benachbarten ACs auf diese verteilt. Folglich kann durch Einführung eines fiktiven „Inter-AC-Drucks“ eine patien tenspezifische heterogene Druck- und Materialeigenschaftsverteilung physiologisch simu liert 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 be schriebene Ausführungsform in einem ersten Schritt mittels Bildauswertealgorithmen eines vorliegenden Satzes von computertomographischen Schichtaufnahmen eines Pati enten 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(x, t), die Flussrate Q(x, t), die Dehnung e(c, t) des Lungengewebes und die Gaspartial drücke Pco2 (x, t) und Po2 (x, t) berücksichtigt werden:
Das Modell liefert somit für gegebene Beatmungsparameter 0b und Modellparameter 0m eine Aussage über die Dehnung den Druck und verschiedene Gaspartialdrücke in Abhän gigkeit 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 ex perimentell gemessen werden können) lassen sich andere experimentell messbare Grö ßen, wie beispielsweise das Tidalvolumen Vt der Atmung (d.h. das tatsächliche geatmete Volumen) berechnen.
Im nächsten Schritt werden die Modellparameter 0m so angepasst, dass die experimentell messbaren Tidalvolumendruckverläufe Vt;exp(t) mit den simulierten Tidalvolumendruckver- läufen Vt;Sim(t) übereinstimmen: D.h. die Modellparameter werden so angepasst, dass Vt;sim(t) = Vt;exp(t). Hierfür wird der Patient mit einem oder mehreren speziellen Manöver be atmet, das sich in einen Satz Beatmungsparameter 0b übersetzen lässt. In der hier be schriebenen Ausführungsform ist der vektorwertige Beatmungsparameter 0b = {Pinsp, PEEP, tinsp, texp, f, Fi02, pup, pdowm}· Es können auch weitere, nicht direkt mit dem Be atmungsgerät verknüpft Messgrößen als Parameter einfließen, wie bspw. der Ösophagus druck. 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 Mit telung 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 ptrachea(t) = fp(0b) 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.
Fig. 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 Modellparame ter, beispielsweise die Gewebesteifigkeit, in Form von Materialparametern systematisch angepasst werden. Mithilfe dieses kalibrierten Modells ist ein Arzt in der Lage eine be stimmte Beatmungseinstellung der Beatmungsmaschine zu simulieren, bevor er diese am Patienten einstellt. Damit kann der Arzt vor Beatmung eines eventuell mit einer Lungener krankung belasteten Patienten, mit Hilfe des Modells bestimmen, wie hoch beispielsweise die Gewebedehnungen e(c; t) für dieses Einzelszenario, d.h. den gewählten Beatmungs parameter 0b in der Lunge des Patienten tatsächlich wären und zwar bevor eine eventuelle Schädigung der Lunge durch eine Überdehnung, ein Barotrauma und/oder häufiges Öff nen und Verschließen von Atemwegen und Alveolen oder weiterer Schädigungsmecha nismen 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 0b, , zu bestimmen, d.h. um einen optimalen Beatmungsparameter 0b, opt zu bestimmen.
Optimierung
Um einen solchen optimalen Beatmungsparameter 0b, o t aus der Vielzahl möglicher Be atmungsparameter θb,i zu bestimmen, werden Gütekriterien festgelegt, mittels derer in der vorliegenden Ausführungsform ein Algorithmus in die Lage versetzt werden kann zu ent scheiden, ob ein ausgewählter Beatmungsparameter für die Beatmung geeigneter ist als ein anderer Beatmungsparameter.
Im Folgenden wird eine Ausführungsform zur systematischen Verbesserung der Beat mungseinstellungen dargestellt. Fig. 2 zeigt eine Ausführungsform des Verfahrens, um Beatmungsparameter im Rahmen eines mathematischen Optimierungsproblems iterativ zu verbessern. Ausgehend von der initialen Beatmungskurve, welche mittels 8b, mit = {PinsP,PEEP, tinsp, texp,f,Fi02,pup, pdown} definiert wird, wird der Beatmungsparameter 0b sukzessive in Iterationen i in den Schritten S2 - S5 angepasst. Zuerst werden dabei die anfangs in Schritt S1 ausgewählten Einstel lungen im Schritt S2 getestet, d.h. mit diesen Einstellungen wird eine Simulation am Lun genmodell durchgeführt. Im folgenden nächsten Schritt S3, werden die Ergebnisse des Modells ausgewertet. In einer Ausführungsform kann dies die Berechnung von Dehnungs werten sein, die als Maß der mechanischen Belastung der Lunge dienen. Zusätzlich dazu wird die Sättigung des Bluts des Patienten mit Sauerstoff und Kohlendioxid anhand weite rer Output-Größen des Modells berechnet. Dies geschieht beispielsweise durch Auswer ten des simulierten Sauerstoffpartialdrucks p(Ü2) und des Kohlendioxidpartialdrucks p(C02) im venösen oder arteriellen Blut des Patienten. Das Erreichen einer vorbestimm ten, 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 be stimmt 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 Lungen gewebe berechnete Dehnungswerte mit vorgegebenen Dehnungsmaxima (Referenzwer ten) 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 vor gegebenen 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 Er findung festgelegt und nachfolgend näher beschrieben werden. Ist ein optimaler Beat mungsparameter 0 , opt gefunden, wird dieser in Schritt S6 ausgegeben.
Das Optimierungsproblem wird im Folgenden anhand eines Beispielalgorithmus beschrie ben. Allgemein wird zunächst eine Zielfunktion F in Abhängigkeit bestimmter Output-Grö ßen des Modells definiert. Während des Optimierungsverfahrens werden die Funktions werte der Zielfunktion iterativ so verbessert, dass sich diese dem Minimum oder einer vor gegebenen 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 anzu nähern, so dass mit Hilfe des Erwartungswertes des Gaußprozesses und einer Akquisiti onsfunktion eine Abschätzung zur Auswahl des nächsten geeigneten Beatmungsparame ters vorgenommen werden kann.
Im hier beschriebenen Ausführungsbeispiels wird die maximale Gewebedehnung max e(c, t) optimiert, so dass beim optimalen Beatmungsparameter ein vorgegebener Ma- x,t ximalwert für die maximale Dehnung des Lungengewebes nicht überschritten wird, bzw. alternativ ein Minimum von ma x s(x, t) bezüglich Qb gefunden wird. Die zu optimierende x,t
Funktion B ist somit nicht explizit bekannt, da kein analytischer Ausdruck der Output- Größe vorliegt. Beispielsweise sind Werte für die Gewebedehnung e(c, t) ja nur über die Simulation zugänglich.
Die Optimierung erfolgt unter Berücksichtigung von Nebenbedingungen, z.B. der Sauer stoffsättigung 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 opti maler 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 B (s(x, t),p(x, t)) . Die mechanische Belastung ist hier als eine Funktion von Druck und Gewebedehnung aufge fasst, 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 N (x, ί ,m0z c, t)). Beide Funktionen sind von den Eingangsgrößen des Modells { pinsp , pinsp, PEEP, tinsp, texp, f, Fi02, pup, pdown, ... } abhän gig·
Das Problem lässt sich grundsätzlich als nichtlineares Optimierungsproblem „O“ ohne Ne benbedingung, d.h. min(0(B, N)) formulieren oder als nichtlineares Problem mit Nebenbe dingung, 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 31 st International Conference on Machine Learning, Beijing China. JMLR: W&CP volume 32,” beschrieben ist.
Vorzüge der Bayes’schen Optimierung im Kontext der Optimierung des Beatmungspara meters einer Lungenmaschine sind seine Eigenschaften als globales Optimierungsverfah ren. 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 Op timierung 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 Effi zienzsteigerung noch parallelisiert werden. Folglich können einem Patienten in kurzer Zeit, beispielsweise nach einer Anfrage einer Klinik bei einem dieses Optimierungsmodell be reitstellenden Dienstleister, optimierte Beatmungsparameter geliefert werden.
In der hier beschriebenen Ausführungsform wird ein „optimaler“ Parameter 0 , o t 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 vor bestimmten Referenzwert liegt. Dieser ist z.B. als Schwellenwert festgelegt mit bspw. S02 = 90%, kann in anderen Szenarien jedoch auch niedriger oder höher sein. Diese Neben bedingung zur Lösung des Optimierungsproblems in H{m£q2 (c, ί), mq2 (c, ΐ)) zusammenge fasst. In Fig. 2 wird in Schritt S3 „Auswertung des Lungenmodells“ diese Bedingung über prüft. Weiter soll bei dem „optimalen“ Parameter 0b, opt bspw. die maximale Dehnung der ACs Cmax 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 Re chenzeit oder die zur Auswertung benötigte Rechenleistung. Betrachtet wird die soge nannte volumetrische Dehnung der ACs, d.h. es wird das Verhältnis zwischen Ausgangs volumen und aufgeblähtem Volumen berechnet. Bei der hier beschriebenen Ausführungs variante wäre entsprechend die zu optimierende Funktion B definiert als
B = max e(x, t) xen.teT
Die eingeführten mathematischen Funktionen B und N definieren damit ein Optimierungs problem bezüglich des Beatmungsparameters 0b und nicht bzgl. der Modellparameter 0m. Die Werte der Funktion B werden nun unter Berücksichtigung der Nebenbedingung N > S02, d.h. der Werte der Funktion N(0b), auf eine vorgegebene Bedingung optimiert.
Der Algorithmus zum Auffinden eines optimalen Beatmungsparameters 0b, o t basiert im Wesentlichen auf zwei Teilen: einer Methode zur Erstellung probabilistischer Regressions modelle und einer sog. Akquisitionsfunktion. Dabei findet das Konzept der Bayes’schen Optimierung Anwendung, um das folgende Optimierungsproblem zu lösen:
Q b,opt arg min
& B(6 N(0b)>A) h) In Fig. 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 } bestimmt. Der Satz umfasst z.B. J = 30 unterschiedliche Beatmungsparameter 9b 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 { } werden zwei Gaußpro zesse trainiert. Im Anschluss werden mit einer Akquisitionsfunktion sukzessive weitere vielversprechende Punkte im Parameterraum ausgewählt, das Simulationsmodell ausge wertet und die Gaußprozessmodelle anschließend mit Hilfe der neuen Datenpunkte ver bessert. Dieser Vorgang wird für eine bestimmte Anzahl [1, K] = {k e N 1 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 beschrie bene Ausführungsform ausgehend von dem initialen Satz von J = 30 Beatmungsparame tern jeweils nur ein weiter Beatmungsparameter 9b next bestimmt und für die nächste Si mulation verwendet. Die Regressionsmodelle umfassen dann in der hier gezeigten Aus führungsform 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 da nach die verwendete Akquisitionsfunktion.
Zunächst wird die Annahme getroffen, dass die zu optimierende Funktion B und die Ne benbedingung N jeweils als Gauß’scher Prozess modelliert werden kann, d.h. N,B~GP(ß(-), k(·)). Hierbei stellt ß(9b) = E[ß(·)] die Mittelwertfunktion bzw. den Erwar tungswert E dar und k ,· ) die Covarianzfunktion des Gaußprozesses, die wie folgt defi niert ist: Als Konsequenz der Modellierung als Gaußprozess ergibt sich bei einem Satz gegebener Eingangsgrößen F = {0b l, 0b 2, ..., 0b H} und dazugehöriger Funktionswerte von 5(F) = ... , B 6b H)}, die folgende a posterior Wahrscheinlichkeits-Verteilung für ei nen neuen Testpunkt eb Uext. B(eb next)~p(B(eb next)\eb next, <P,B(<P ).
Da es sich um eine Gaußverteilung handelt, kann diese über den Mittelwert und die Vari anz charakterisiert werden:
Mittels der dargestellten Formeln ist nun folglich möglich, die a posterior Verteilung für einen beliebigen Punkt mit Hilfe neuer Daten zu aktualisieren. Die beschriebene Regres sionsmethode wird nun genutzt, um zwei Regressionsmodelle zu trainieren: eines für N ) und eines fürß(-).
Akquisitionsfunktion
Der wichtigste Schritt bei der Bayes’schen Optimierung ist die Bestimmung des nächsten bzw. der nächsten Kandidaten 0b 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 Ine- quality Constraints“ Proceedings of the 31 st International Conference on Machine Learn- ing, Beijing China. JMLR: W&CP Volume 32,” ausführlich beschrieben. Zunächst wird hier für der bisher besten Punkt im bis dato evaluierten Datensatz T B definiert als q . Nun kann die Verbesserung, die durch einen neuen Kandidaten erreicht wird, ausgedrückt werden als: Der Erwartungswert der Verbesserung ergibt sich dann wie folgt zunächst als: · Nach Umformung erhält man den folgenden analyti schen Ausdruck El(ßb wobei F die Kumulative Vertei lungsfunktion und f die Dichtefunktion einer Standardnormalverteilung darstellen. Außer- dem ist
Zur Erfüllung der Nebenbedingungen, nämlich dass gemäß der hier beschriebene Aus führungsform die Sauerstoffsättigung S02 eine untere Schwelle nicht unterschreiten darf, wird eine Erweiterung der vorgestellten Akquisitionsfunktion nach Gardner et. al vorge- schlagen. Das sogenannte „Constraint Improvement“ für einen Kandidaten 0b next ist dem nach: wobei (ßb next) e {0,1} eine Indikatorfunktion darstellt, die 1 ist falls N(ßb next ) > Z und ansonsten Null ist, d.h. die Indikatorfunktion sortiert durch Multiplikation mit Null alle mög lichen Beatmungsparameter aus, wenn die Nebenbedingung l der Sauerstoffsättigung nicht erfüllt ist. Nachdem die Berechnung von N(ßb next) ebenso rechenaufwändig ist wie die Berechnung von B(ßb next), wird auch für N(ßb 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 B(ßb next ) ergibt sich für die „Expected - Constrained Improvement“ Akquisitionsfunktion der folgende Aus- druck, der in der Optimierung verwendet wird: wobei PF(ßb next) definiert ist als: ln Fig. 3 ist der Ablauf einer Optimierungsschleife schematisch dargestellt. Die tatsächli che Optimierungsschleife bezieht sich auf die Verfahrensschritte i) bis iii). Zunächst wird ein Beatmungsparameter definiert, der optimiert werden soll. Hier werden bspw. die fol genden fünf Parameter zur Festlegung eines vektorwertigen Beatmungsparameters 0b gewählt. 0b — { PEEP ,pinSp, tinSp, teXp , F O }.
Nun wird für diesen Beatmungsparameter ein initiales Latin-Hyper-Cube-Design mit 30 Kandidaten
{eb init, i:3o} 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 Daten satz T = {0b l,3O, Auf Basis dieses Datensatzes T wird nun jeweils ein Gaußprozessmodell trainiert. Dann werden die in Fig. 3 schematisch dargestellten folgen den 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 θb ,next berechnet bzw. ausgewählt. Ebenso kann eine Bewertung der be rechneten Funktionswerte B(ßb next) erfolgen, um zu prüfen, ob eine vorbestimmten Referenzgröße der mechanischen Belastung B(e(ßb next),-p(ßb 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 6b next wird an das Modell zur erneuten Berechnung bzw. Simulation übergeben. Schritt i): Es folgt die Berechnung von N(ßb next), B(ßb next).
Am Ende des Algorithmus, d.h. des Optimierungsverfahrens, wird derjenige Parameter 0b opt zurückgegeben, für den die Nebenbedingung erfüllt ist und für die die Optimierungs funktion den geringsten Wert, d.h. die geringste mechanische Belastung aufweist. ln dieser Ausführungsform beendet der Algorithmus die Optimierung nach K = 20 Durch läufen. 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 Beatmungspara meter an die Beatmungsmaschine ausgegeben wird.
In Fig. 4a ist eine bevorzugte Ausführungsform des Systems zur patientenspezifischen Bestimmung eines optimalen Beatmungsparameters schematisch dargestellt. Die Einzel schritte der Fig. 4a sind wie folgt beschrieben: 4a_1: Bildgebung, Erfassung zusätzlicher Daten; 4a_2: Freigabe, Pseudonymisierung; 4a_3: Datentransfer von Klinikserver an Ex tern, bspw. an Cloud-Computing-Umgebung; 4a_4: Rechenmodellerzeugung; 4a_5: Opti mierung der Beatmungseinstellungen bzw. Auffinden von 0ö opt; 4a_6: Datentransfer PEEP, pinsp, f, tinsp, texp, Fi02, etc.; 4a_7: Autorisierung; 4a_8: Anwendung. In der hier dar gestellten Ausführungsform Fig. 4a wird das Modell durch Daten eines Computertomogra phen patientenspezifisch aufgebaut. Zudem wird eine patientenspezifische Beatmungs kurve an das Modell zur patientenspezifischen Kalibrierung geliefert. Die patientenspezifi schen Daten werden von der Klinik digital an eine externe Computing Umgebung übertra gen, welche beispielsweise in Form eines Rechenservers bei einem Cloud-Computing An bieter, 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 beispiels weise von einem weiteren Anbieter oder in der Klinik erfolgen. Insbesondere sind darunter sogenannte „Software as a Service“ Konzepte zu verstehen, welche einer Klink oder ei nem 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 typisie renden allgemeinen Patientendatenbank.
Der von dem Modell für den Patienten bestimmte spezifisch optimale Beatmungsparame ter 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 Fig. 4b schematisch dargestellt. Die Einzelschritte der Fig. 4b sind wie folgt beschrieben: 4b_1: Bildgebung, Erfassung zusätzlicher Daten; 4b_2: Frei gabe, Pseudonymisierung; 4b_3: Datenzugriff auf Klinikserver von Beatmungsmaschine bzw. in Klinik; 4b_4: Rechenmodellerzeugung; 4b_5: Optimierung der Beatmungseinstel lungen bzw. Auffinden von 0ö opt; 4b_6: Datenbereitstellung PEEP, pinsp, f, tinsp, texp, Fi02, etc.; 4b_7: Autorisierung; 4b_8: Anwendung. Hier werden die patientenspezifischen Da ten, 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 patientenspe zifische Beatmung sorgen, indem die Berechnung der optimalen Parameter auf einer Re cheneinheit der Beatmungsmaschine durchgeführt wird. D.h. das Lungenmodell kann auf einer Recheneinheit der Beatmungsmaschine implementiert sein, so dass auf der Beat mungsmaschine 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 Be- atmungsparameter(s).
In einer weiteren in Fig. 4c gezeigten Alternative ist das Modell auf einem Simulationsser ver, welcher sich in der Klinik befindet implementiert, wie auch der Computertomograph und die Beatmungsmaschine. Die Einzelschritte der Fig. 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 0b opt 4c_6·. Datentransfer, Datenzugriff PEEP, pinsp, f, tnsp, texp, Fi02, etc.; 4c_7: Autorisierung; 4c_8: Anwendung. Die patienten spezifischen Daten, z.B. Bilddaten werden an diesen Simulationsserver geliefert. Der Si mulationsserver kann die Bilddaten zu 3D Strukturdaten aufbereiten, auf welchen das Lun genmodell 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 wer den im Anschluss an das Beatmungsgerät geliefert.
Fig. 5 zeigt eine Ausführungsform eines Systems 100 aufweisend die folgenden Kompo nenten: eine Datenverarbeitungseinheit 120 eine Beatmungsmaschine 130, einen Com putertomographen (CT) 140 sowie einen Server 150. Die aufgezählten Einheiten sind mit einander vernetzt, so dass digitale Daten zwischen den Einheiten des Systems 100 aus getauscht werden können, im Sinne einer datenlogistischen Prozesskette. Die Komponen ten des Systems 100 können an unterschiedlichen Räumlichkeiten lokal voneinander ge trennt arbeiten, wie es durch die gestrichelten Linien 160 angedeutet ist. D.h. die Kompo nenten des Systems bilden ein Netzwerk, welches den Austausch digitaler Daten unterei nander ermöglicht. Insbesondere unter Berücksichtigung eines verschlüsselten, z.B. per sonalisierten Zugriffs, insbesondere patientenspezifischer Daten beim Austausch der Da ten 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 Beatmungsma schine 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 An frage, beispielsweise durch Anfrage der Datenverarbeitungseinrichtung 120 an die Daten verarbeitungseinrichtung 120. Die Datenverarbeitungseinrichtung 120 weist eine Bedien einheit 121 , sowie einen Recheneinheit 124 auf. Die Bedieneinheit 121 umfasst einen Pro zessor (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 Beatmungseinstel lungen. 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 Rechen einheit besteht daher aus mindestens einer CPU 123 und mindestens einer Speicherein heit 124, wobei in dieser bevorzugten Ausführungsform, das Lungenmodell auf der Re cheneinheit 122 implementiert ist, oder auf dieser von außerhalb der Datenverarbeitungs einrichtung 120 auf dieser installiert werden kann.
Die Bedieneinheit kann dabei auch T eil des Servers 122 sein. Ein Benutzer empfängt über die Bedieneinheit 121 einen Satz von CT-Bilddaten des Servers 150. Von der Bedienein heit 121 wird der Satz an Bilddaten an die Recheneinheit 122 weitergeleitet und der Be nutzer 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 ausge führt werden. Alternativ kann die Beatmungskurve auch von einer beliebigen Patientenda tenbank heruntergeladen werden. Nach Kalibrierung des Modells mit der Beatmungskurve startet der Benutzer die Simulation, welche idealerweise automatisch den optimalen Be atmungsparameter bereitstellt und über den Server 150 an die Beatmungsmaschine 130 liefert.
In einer alternativen Ausführungsform kann die Recheneinheit 122 beispielsweise bei ei nem 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 Rechen einheit 150 umfasst in einerweiter bevorzugten Ausführungsform ebenfalls einen Algorith mus 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 Simulations server 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, wel cher über die Datenverarbeitungseinheit 120 verfügt.
In Fig. 6 ist eine bevorzugte Ausführungsform einer Beatmungsmaschine 230, welche diese schematisch darstellt. Die Beatmungsmaschine 230 umfasst dabei eine Steuerungs einheit 235, zur Steuerung der Beatmung mittels Beatmungsparameter. Weiter umfasst die Beatmungsmaschine 230 eine Datenverarbeitungseinrichtung 231. Wie mittels der ge strichelten 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 einerweiteren Klinik B befinden kann. Die Beatmungsmaschine 230 bildet mit dem CT 240 und dem Server 250 ein Netzwerk zum Austausch von Daten, insbesondere von pa tientenspezifischen Daten, umfassend die Zugriffsrechte zur Übertragung der patienten spezifischen Informationen, die mit dem Datenaustausch verbunden sind.
Die Beatmungsmaschine 230 weist eine Datenverarbeitungseinrichtung 231 auf, die wie derum eine Bedieneinheit 234 umfasst, mit der ein Benutzer, beispielsweise ein Arzt, die Beatmungsmaschine 230 bedient und insbesondere die Bestimmung optimaler Beat mungsparameter initialisieren kann und insbesondere die mindestens eine Beatmungs kurve zur Kalibrierung des Lungenmodells erzeugen und auswerten kann. In dieser be sonders bevorzugten Ausführungsform ist das Lungenmodell und das Optimierungsver fahren auf der Beatmungsmaschine implementiert, so dass die Optimierungsschritte zum Auffinden optimaler patientenspezifische Daten auf der Beatmungsmaschine 230 mindes tens teilweise oder vollständig durchgeführt oder koordiniert werden können. Beispiels weise 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 Speicher einheit 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 kön- nen. Zusätzlich kann idealerWeise die Datenverarbeitungseinrichtung die 3D CT-Bilddaten zur benötigten Strukturgeometrie des Lungenmodells aufbereiten. In einem konkreten Anwen dungsfall, 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 transfe riert oder befinden sich bereits auf dem Server 250 und werden im Anschluss direkt von Datenverarbeitungseinrichtung 231 der Beatmungsmaschine 230 für das Modell struktu rell aufbereitet. Idealerweise kann parallel dazu eine Beatmungskurve des Patienten für die Kalibrierung des Modells am Patienten mit der Beatmungsmaschine 230 aufgezeich net und ausgewertet werden. Die auf der Beatmungsmaschine 230 implementierte Soft ware verarbeitet im Anschluss daran die inzwischen bereit gestellten 3D CT-Bilddaten und baut damit die 3D-Geometrie des Lungenabbilds digital auf. Idealerweise wird eine Kalib rierung 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.
Fig. 7 zeigt eine weitere Ausführungsform der Erfindung, bei welcher keine Bildgebung stattfindet. Stattdessen macht der Bediener einen Beatmungsvorschlag, welcher mindes tens zwei Beatmungsparameter umfasst und welcher gleichzeitig als Signal für eine Frei gabe und Pseudonymbildung des Austausche patientenspezifisch Daten gelten kann. Die Einzelschritte der Fig. 7 sind wie folgt beschrieben: 7_1 : Beatmungsvorschlag PEEP, pinsp, f.tinsp, texp, Fi02, etc.; 7_2: Datentransfer PEEP, pinsp, f.tnsp, Fi02, etc.; 7_3: Rechenmo dellerzeugung; 7_4: Modellauswertung; 7_5: Datentransfer, Rückmeldung bzgl. Auswir kungen der Einstellungen auf die Patientenlunge, z.B. max. Dehnung, 02-Perfusion etc.; 7_6: Entscheidung ja nein; 7_7: ggf. Anwendung. Die Daten des Beatmungsparameter vorschlags, beispielsweise eines Arztes, welcher sich in diesem Falle auch an einem an deren Ort als dem, der Beatmungsmaschine befinden kann, werden dann an den Spei cher- bzw. Berechnungsort, zumeist an einen Cloud-Server für die Simulation und Opti mierung, übermittelt. Dabei kann das Beatmungsgerät durch den Beatmungsparametervorschlag idealerweise über das Netzwerk von dem externen Bedie ner konfiguriert und hinsichtlich des erzielten Ergebnisses in Form beispielsweise patien tensensitiver Lungendaten, wie der Gewebedehnung überwacht werden. Der externe Be diener kann in dieser Ausführungsform die Optimierung insbesondere nach einer Anzahl von Iterationen abbrechen. Zu dem gemachten Beatmungsparametervorschlag können idealerWeise zusätzliche Patientendaten anderer Ausführungsformen mit übermittelt wer den, um das Rechenmodell der Lunge zu erzeugen bzw. zu personalisieren, z.B. struktur geometrische Daten der Lunge des Patienten. Im anschließenden Schritt erfolgt mindes tens eine Modellauswertung, welche Ergebnisdaten in Form von fluid- und strukturmecha- nischen 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 Beatmungs vorschlags, woraufhin die Optimierung weitere idealere Beatmungsparameter erzeugt und dem externen Bediener in Bezug auf deren patientenspezifische Wirkung anzeigt, bei- spielsweise als kontinuierliche, sich mit jeder Iteration erweiternde Graphik eines oder mehrerer patientenrelevanter Größen. Damit kann das Modell dem Benutzer ein auf sei nem Vorschlag basierenden Gegenvorschlag unterbreiten.
Bezugszeichen und Variablen
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

Claims

Patentansprüche
1. Verfahren zur automatisierten Ermittlung mindestens eines optimalen Beatmungsparameters 0b, Opt zum Betreiben einer Beatmungsmaschine, aufweisend die computerimplementierten Schritte:
• Bereitstellen eines patientenspezifischen digitalen Lungenmodells, Eingabe mindestens eines initialen Input - Beatmungsparameters θb,i nit als Beatmungsparameter 0 ,i = 0b, init;
• Iteratives Durchführen der folgenden Schritte (i) bis (iii), bis zur Erfüllung eines Abschlusskriteriums, welches das Erreichen eines optimalen patientenspezifischen Beatmungsparameters 0b,i = 0b, oPt prüft und/oder das Erreichen einer vorbestimmten Anzahl von Iterationen prüft; i) Auswerten der am Lungenmodell in Abhängigkeit von dem Beatmungsparameter θb,i simulierten maschinellen Beatmung, durch Ermitteln des Wertes mindestens einer patientenspezifischen Zielfunktion F = F(θb,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 θb ,next, unter Verwendung eines von mindestens einem zuvor verwendeten Beatmungsparameter 0b,i abhängigen Auswahlverfahrens; iii) Verwendung des mindestens einen nächsten Beatmungsparameters θb ,next als Beatmungsparameter 0b, , zur Ermittlung von F = F(θb,i = 0b next ) in Schritt i); • Bereitstellen des patientenspezifischen optimalen Beatmungsparameters 0b, 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-Pa rameter 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- Parame ter eine mechanische Belastungsgröße der Lunge des Patienten beschreibt.
3. Verfahren nach Anspruch 1 oder 2, wobei das Auswahlverfahren zur Auswahl mindes tens eines nächsten Beatmungsparameters θb ,next einen Algorithmus beinhaltet, ins besondere ein Optimierungsverfahren nach Bayes, der/das insbesondere unter Ver wendung einer oder mehrerer Gaußprozesse, Random Forrests, künstlicher neurona ler Netze oder anderer Regressionsmodelle umgesetzt wird, einen Fuzzylogic-Algorith- mus, einen auf einem Evolutionsverfahren basierenden Algorithmus, einen ein Gradi entenverfahren beinhaltenden Algorithmus, und/oder einen auf stochastischen Tech niken basierenden Algorithmus.
4. Verfahren nach einem der vorhergehenden Ansprüche, wobei das Auswahlverfahren eine Akquisitionsfunktion zur Auswahl mindestens eines nächsten Beatmungsparame ters θb ,next beinhaltet unter Verwendung eines probabilistischen Regressionsverfah rens, das von mindestens einem, zuvor ermittelten Datensatz T, = (0b,i , F (0b, ) ab hängt, insbesondere ein Regressionsverfahren für einen Gauß-Prozess.
5. Verfahren nach einem der vorhergehenden Ansprüche, wobei das Auswahlverfahren zur Auswahl mindestens eines nächsten Beatmungsparameters θb ,next eine Akquisiti onsfunktion beinhaltet, die den Erwartungswert der Verbesserung verwendet, insbe sondere unter Berücksichtigung von Nebenbedingungen.
6. Verfahren nach einem der vorhergehenden Ansprüche, wobei das Auswahlverfahren zur Auswahl mindestens eines nächsten Beatmungsparameters θb ,next eine Akquisiti onsfunktion beinhaltet, die eine Entropiesuche verwendet, oder die einen Knowledge- Gradienten verwendet.
7. Verfahren nach einem der vorhergehenden Ansprüche, wobei der Beatmungsparame ter 0b durch eine Menge von Parametern beschrieben wird, die den Druck-Zeit-Verlauf und/oder Volumen-Zeit-Verlauf des mindesten eines Atemzugsbeschreiben, wobei ins besondere 0b gebildet wird von Parametern gewählt aus der Gruppe von möglichen und bevorzugten Parametern Inspirationsdruck pins , positiver endexspiratorischer Druck PEEP, Druckrampen pup,pdown , Inspirations- wie Expirationszeiten tinsp, texp, Atemfrequenz / und Sauerstoffanteil Fi02.
8. Verfahren nach einem der vorhergehenden Ansprüche, insbesondere gemäß An spruch 7, wobei in Schritt (ii) vorgesehen ist, mindestens einen nächsten Beatmungs parameter θb ,next zu bestimmen, vorzugsweise mehrere nächste Beatmungsparameter eb next zu bestimmen, wobei das Auswahlverfahren auf einer Recheneinheit, insbeson dere einem Prozessor, stattfindet und die Modellauswertungen parallel auf anderen Recheneinheiten ausgeführt werden und die Ergebnisse im Anschluss wieder zusam mengeführt 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 mechani sche Belastung mittels einer Dehnung e(c, t) des Lungengewebes und/oder eines in der Lunge herrschenden Drucks p(x, t) und/oder dem Kollaps c(x, t) und/oder der Wie dereröffnung r(x,t) der Atemwege und/oder Alveolen und/oder eines grenzflächenakti ven 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 m(02) und/oder Kohlendioxid p(C02) im Blut der Lunge beschreibt.
11. Verfahren nach einem der vorherigen Ansprüche, wobei in Schritt (ii) des Verfahrens die patientenspezifische Funktion B, bewertet wird, unter Berücksichtigung der mindes tens einen Nebenbedingung, dass die patientenspezifische Funktion N eine vorbe stimmte Referenzgröße nicht unterschreitet oder überschreitet, wobei insbesondere N den Output-Parameter Sauerstoffpartialdruck m(02) enthält und die Nebenbedingung beinhaltet, dass der Sauerstoffpartialdruck p(02) die Referenzgröße S02 der Anreiche rung, des im Blut des Patienten angereicherten Sauerstoffs nicht unterschreitet, und wobei insbesondere S02 als eine patientenspezifische Referenzgröße vorbestimmt ist.
12. Verfahren nach einem der vorhergehenden Ansprüche, wobei Schritt (ii) des Verfah rens beinhaltet, dass, als eine patientenspezifische Referenzgröße, eine maximale Dehnung Bmax( (x, t)) und/oder ein maximaler Druck Bmax(p(x, t)) der Lunge nicht über schritten werden darf, und/oder eine Sauerstoffsättigung S02 nicht unterschritten wer den darf.
13. Verfahren nach einem der vorherigen Ansprüche, wobei in Schritt (iii) die Beatmungs parameterwerte θb,i stochastisch variiert werden.
14. Verfahren nach einem der vorherigen Ansprüche, wobei ein Satz initialer Input - Beat mungsparameterwerte 0b,init,i:j mittels einem zufälligen oder quasi-zufälligen Verfah ren, insbesondere Monte-Carlo oder Latin-Hyper-Cube Sampling erstellt wird.
15. Verfahren nach Anspruch 14, dadurch gekennzeichnet, dass in Schritt (ii) die Funkti onswerte der Funktion B, die aus dem mindestens einen Output - Parameter durch Simulation des Satzes der initialen Input - Beatmungsparameter 0b,mit,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 0b,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 Aus wahlfunktion eine Akquisitionsfunktion ist, welche nächste Beatmungsparameterwerte eb next unter Berücksichtigung wie folgt berechnet wird: l{ßb next) = {ßb next) * max {0, B(q^) - R(ßb next)}, wobei B(0^) den Funktionswert mit bisher geringster mechanischer Belastung als Funktion des bisher geeignetsten Beatmungsparameters 6b darstellt, und wobei die Indikatorfunktion 1 ist, falls die Funktion N(ßb 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 Be atmungskurve, die entweder eine Druck-Zeit-Kurve ptrachea (t) und/oder eine Fluss-Zeit- Kurve Qtracheai und/oder eine Volumen-Zeit-Kurve vtrach ea(t) und/oder Atemgasge- mischzusammensetzungs-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 ptrachea(t) den patientenspezifischen Druck in der Trachea des patientenspe zifischen Lungenmodells abbildet.
21. Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass die vorbestimmten Referenzgrößen patientenspezifisch sind.
22. Computerprogrammprodukt verwendend ein digitales Lungenmodell, aufweisend Be fehle, die, wenn sie auf einem Prozessor einer Datenverarbeitungseinheit ausgeführt werden bewirken, dass die folgenden Schritte (i) bis (iii) iterativ, bis zur Erfüllung ei nes Abschlusskriteriums durchgeführt werden, welches das Erreichen optimaler pati entenspezifischer Beatmungsparameter 9b,i = 9b, o t prüft und/oder das Erreichen einer vorbestimmten Anzahl von Iterationen vorsieht : ii) Auswerten der am Lungenmodell in Abhängigkeit von dem Beatmungspara meter 0b, i simulierten maschinellen Beatmung, durch Ermitteln des Wertes mindestens einer patientenspezifischen Zielfunktion F = F(Qb i) aus dem Lungenmodell, wobei die Zielfunktion F eine Lungenreaktion auf die simulierte maschinelle Beat mung in Abhängigkeit von mindestens einem Output-Parameter des Lungen modells beschreibt, ii) Bewerten des mindestens einen ermittelten Wertes der Funktion F anhand mindestens einer vorbestimmten Referenzgröße, und
Auswahl mindestens eines nächsten Beatmungsparameters θb ,next, unter Ver wendung eines von mindestens einem zuvor verwendeten Beatmungspara meter 0b,i abhängigen Auswahlverfahrens; iii) Verwendung des mindestens einen nächsten Beatmungsparameters θb ,next als Beatmungsparameter 0b, i zur Ermittlung von F = F(θb,i = θb ,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 Abschlusskriteri ums durchgeführt werden, welches das Erreichen optimaler patientenspezifischer Be atmungsparameter 0b,i = 0b, opt prüft und/oder das Erreichen einer vorbestimmten An zahl von Iterationen vorsieht: i) Auswerten der am Lungenmodell in Abhängigkeit von dem Beatmungspara meter 0b, i simulierten maschinellen Beatmung, durch Ermitteln des Wertes mindestens einer patientenspezifischen Zielfunktion F = F(θb,i ) aus dem Lungenmodell, wobei die Zielfunktion F eine Lungenreaktion auf die simulierte maschinelle Beat mung in Abhängigkeit von mindestens einem Output-Parameter des Lungen modells beschreibt, ii) Bewerten des mindestens einen ermittelten Wertes der Funktion F anhand mindestens einer vorbestimmten Referenzgröße, und
Auswahl mindestens eines nächsten Beatmungsparameters θb ,next, unter Ver wendung eines von mindestens einem zuvor verwendeten Beatmungspara meter 0b,i abhängigen Auswahlverfahrens; iii) Verwendung des mindestens einen nächsten Beatmungsparameters θb ,next als Beatmungsparameter 0b, , zur Ermittlung von F = F(θb,i = θb ,next ) in- Schritt i).
24. System aufweisend mindestens eine Datenverarbeitungseinrichtung und ein Compu terprogrammprodukt, wobei die mindestens eine Datenverarbeitungseinrichtung eingerichtet ist, das Computerpro grammprodukt auszuführen und insbesondere Daten zur Steuerung der Beatmungs maschine mit einer Beatmungsmaschine auszutauschen, wobei das Computerpro grammprodukt ein digitales Lungenmodell verwendet, und das Computerprogramm produkt Befehle aufweist, die, wenn sie auf einem Prozessor der Datenverarbeitungs einrichtung ausgeführt werden bewirken, dass die folgenden Schritte (i) bis (iii) iterativ, bis zur Erfüllung eines Abschlusskriteriums durchgeführt werden, welches das Errei chen optimaler patientenspezifischer Beatmungsparameter 0b,i = 0b, opt prüft und/oder das Erreichen einer vorbestimmten Anzahl von Iterationen vorsieht: i) Auswerten der am Lungenmodell in Abhängigkeit von dem Beatmungspara meter 0b, i simulierten maschinellen Beatmung, durch Ermitteln des Wertes mindestens einer patientenspezifischen Zielfunktion F = F(Qb i) aus dem Lungenmodell, wobei die Zielfunktion F eine Lungenreaktion auf die simulierte maschinelle Beat mung in Abhängigkeit von mindestens einem Output-Parameter des Lungen modells beschreibt, ii) Bewerten des mindestens einen ermittelten Wertes der Funktion F anhand mindestens einer vorbestimmten Referenzgröße, und
Auswahl mindestens eines nächsten Beatmungsparameters θb ,next, unter Ver wendung eines von mindestens einem zuvor verwendeten Beatmungspara meter 0b,i abhängigen Auswahlverfahrens; iii) Verwendung des mindestens einen nächsten Beatmungsparameters θb ,next als Beatmungsparameter 0b, , zur Ermittlung von F = F(θb,i = θb ,next ) in Schritt i).
25. Beatmungsmaschine mindestens aufweisend eine Steuerungseinheit und eine Daten verarbeitungseinrichtung, die geeignet ist mindestens ein Computerprogrammprodukt einzulesen und auszuführen, und wobei die mindestens eine Datenverarbeitungsein richtung eingerichtet ist, Daten zur Steuerung der Beatmungsmaschine an die Steue rungseinheit zu liefern und/oder mit der Steuerungseinheit zur Steuerung der Beat mung eines Patienten auszutauschen, wobei das Computerprogrammprodukt ein digi tales Lungenmodell verwendet, und das Computerprogrammprodukt Befehle aufweist, die, wenn sie auf einem Prozessor der Datenverarbeitungseinrichtung ausgeführt wer den bewirken, dass die folgenden Schritte (i) bis (iii) iterativ, bis zur Erfüllung eines Abschlusskriteriums durchgeführt werden, welches das Erreichen optimaler patienten spezifischer Beatmungsparameter 0b,i = 0b, opt prüft und/oder das Erreichen einer vor bestimmten Anzahl von Iterationen vorsieht: i) Auswerten der am Lungenmodell in Abhängigkeit von dem Beatmungspara meter 0b, i simulierten maschinellen Beatmung, durch Ermitteln des Wertes mindestens einer patientenspezifischen Zielfunktion F = F(Qb i) aus dem Lungenmodell, wobei die Zielfunktion F eine Lungenreaktion auf die simulierte maschinelle Beat mung in Abhängigkeit von mindestens einem Output-Parameter des Lungen modells beschreibt, ii) Bewerten des mindestens einen ermittelten Wertes der Funktion F anhand mindestens einer vorbestimmten Referenzgröße, und Auswahl mindestens eines nächsten Beatmungsparameters 9b next, unter Ver wendung eines von mindestens einem zuvor verwendeten Beatmungspara meter 0b,i abhängigen Auswahlverfahrens; iii) Verwendung des mindestens einen nächsten Beatmungsparameters θb ,next als Beatmungsparameter 0b, , zur Ermittlung von F = F(θb,i = 0b next ) in
Schritt i).
EP21718533.9A 2020-04-09 2021-04-08 Verfahren, computerprogramm, system, und beatmungsmaschine, zur ermittlung patientenspezifischer beatmungsparameter an einer beatmungsmaschine Pending EP4133501A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020204632.8A DE102020204632A1 (de) 2020-04-09 2020-04-09 Verfahren, Computerprogramm, System, und Beatmungsmaschine, zur Ermittlung patientenspezifischer Beatmungsparameter an einer Beatmungsmaschine
PCT/EP2021/059145 WO2021204931A1 (de) 2020-04-09 2021-04-08 Verfahren, computerprogramm, system, und beatmungsmaschine, zur ermittlung patientenspezifischer beatmungsparameter an einer beatmungsmaschine

Publications (1)

Publication Number Publication Date
EP4133501A1 true EP4133501A1 (de) 2023-02-15

Family

ID=75497909

Family Applications (1)

Application Number Title Priority Date Filing Date
EP21718533.9A Pending EP4133501A1 (de) 2020-04-09 2021-04-08 Verfahren, computerprogramm, system, und beatmungsmaschine, zur ermittlung patientenspezifischer beatmungsparameter an einer beatmungsmaschine

Country Status (5)

Country Link
US (1) US20230133374A1 (de)
EP (1) EP4133501A1 (de)
JP (1) JP2023522586A (de)
DE (1) DE102020204632A1 (de)
WO (1) WO2021204931A1 (de)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114887169B (zh) * 2022-04-11 2024-06-07 山东大学 一种呼吸机智能控制决策方法与系统
KR102688597B1 (ko) * 2022-04-11 2024-07-25 주식회사 뉴마핏 호흡 분석 장치 및 방법
EP4649499A1 (de) * 2023-01-12 2025-11-19 Koninklijke Philips N.V. Modellgeführte bildgebung für mechanische beatmung
DE102023114221A1 (de) 2023-05-31 2024-12-05 Ebenbuild GmbH Verfahren zur bewertung der wirksamkeit eines aerosols für pulmonalen arzneimitteltransport sowie inhalatorvorrichtung, oral inhaliertes und/oder nasales arzneimittelprodukt und arzneimittel/vorrichtung-kombinationsprodukt
CN117180573B (zh) * 2023-11-07 2024-03-08 中国人民解放军总医院第一医学中心 一种基于双重指数模型的呼吸系统机械通气方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1067982B1 (de) * 1998-04-03 2004-06-23 Maquet Critical Care AB Methode und gerät zur optimierung mechanischer ventilation

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004019122A1 (de) 2004-04-16 2005-11-10 Universitätsklinikum Freiburg Verfahren zur Steuerung eines Beatmungsgerätes und Anlage hierfür
US7562657B2 (en) * 2004-06-24 2009-07-21 Convergent Engineering, Inc. Method and apparatus for non-invasive prediction of intrinsic positive end-expiratory pressure (PEEPi) in patients receiving ventilator support
ATE522242T1 (de) * 2009-05-29 2011-09-15 Fluidda Respi Verfahren zur festlegung von behandlungen mittels patientenspezifischer lungenmodelle und computerverfahren
WO2013036677A1 (en) * 2011-09-06 2013-03-14 The Regents Of The University Of California Medical informatics compute cluster
WO2014107798A1 (en) 2013-01-14 2014-07-17 University Health Network Mask and method for breathing disorder identification, characterization and/or diagnosis
US10165966B2 (en) * 2013-03-14 2019-01-01 University Of Florida Research Foundation, Incorporated Methods and systems for monitoring resistance and work of breathing for ventilator-dependent patients
WO2016032375A1 (en) * 2014-08-27 2016-03-03 Maquet Critical Care Ab Method and apparatus for prediction of fluid responsiveness in mechanically ventilated subjects
CN106714882B (zh) 2014-09-12 2019-07-30 慕曼德保健公司 具有决策支持的用于呼吸的机械通气系统
JP6730990B2 (ja) * 2014-12-23 2020-07-29 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． モデルに基づいて人工換気を最適化するためのシステム及び方法
US10172569B2 (en) * 2015-09-11 2019-01-08 Ottawa Hospital Research Institute System and method for assisting decisions associated with events relative to withdrawal of life-sustaining therapy using variability measurements
JP6855465B2 (ja) * 2015-10-09 2021-04-07 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 撮像及び生理学的モニタリングを組み合わせた強化型の急性ケアマネジメント
WO2018144636A1 (en) 2017-02-01 2018-08-09 Intuitive Surgical Operations, Inc. Systems and methods of registration for image-guided procedures
FR3071398A1 (fr) * 2017-09-22 2019-03-29 Universite de Bordeaux Procede de simulation d’une dynamique respiratoire d’un poumon virtuel, simulateur virtuel, ensemble respiratoire.
US11355240B2 (en) * 2017-09-26 2022-06-07 Edge2020 LLC Determination of health sciences recommendations
CN114072827A (zh) * 2019-03-15 2022-02-18 3M创新有限公司 使用因果模型的个体化药物

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1067982B1 (de) * 1998-04-03 2004-06-23 Maquet Critical Care AB Methode und gerät zur optimierung mechanischer ventilation

Also Published As

Publication number Publication date
US20230133374A1 (en) 2023-05-04
JP2023522586A (ja) 2023-05-31
DE102020204632A1 (de) 2021-10-14
WO2021204931A1 (de) 2021-10-14

Similar Documents

Publication Publication Date Title
EP4133501A1 (de) Verfahren, computerprogramm, system, und beatmungsmaschine, zur ermittlung patientenspezifischer beatmungsparameter an einer beatmungsmaschine
US20110093243A1 (en) Method for multi-scale meshing of branching biological structures
Kuprat et al. Efficient bi-directional coupling of 3D computational fluid-particle dynamics and 1D multiple path particle dosimetry lung models for multiscale modeling of aerosol dosimetry
DE112018002822T5 (de) Klassifizieren neuronaler netze
DE202014010690U1 (de) System zum Bewerten der Qualität medizinischer Bilder wenigstens eines Teils der Anatomie eines Patienten
WO2016196443A1 (en) Individualized preoperative planning system and method
CN112006772B (zh) 完整人体体外呼吸道建立方法及系统
EP3336800A1 (de) Bestimmen einer trainingsfunktion zum generieren von annotierten trainingsbildern
DE10357206A1 (de) Verfahren und Bildbearbeitungssystem zur Segmentierung von Schnittbilddaten
DE102017120058A1 (de) Knorpelquantifizierungsvorrichtung, Knorpelquantifizierungsverfahren und Knorpelquantifizierungsrogramm
Bauer et al. lapdMouse: associating lung anatomy with local particle deposition in mice
EP3441936B1 (de) Verfahren zur auswertung von bilddaten eines patienten nach einem minimalinvasiven eingriff, auswerteeinrichtung, computerprogramm und elektronisch lesbarer datenträger
Ilegbusi et al. Computational modelling of airflow in distal airways using hybrid lung model
Ostendorf et al. Synthetic surface mesh generation of aortic dissections using statistical shape modeling
DE102005035181B4 (de) Verfahren zur Darstellung von dreidimensionalen Strömungsdaten und Wandbelastungen in fluidführenden Gefäßen, insbesondere Blutgefäßen, unter Verwendung der Lattice-Boltzmann-Methode
Akushevich et al. A forecasting model of disease prevalence based on the McKendrick–von Foerster equation
DE102019202287A1 (de) Verfahren zum Überprüfen einer Kenngröße eines Anwendungsablaufs einer medizinischen Bildgebungsanwendung basierend auf Röntgenstrahlung
DE102007028065A1 (de) Vorrichtung und Verfahren zur automatischen Wegplanung
DE102012206542B4 (de) Verfahren und Vorrichtung zur Unterstützung der Planung einer Implantation eines strömungsverändernden Implantates
EP1774445A2 (de) Verfahren zur darstellung von dreidimensionalen strömungsdaten und wandbelastungen in fluidführenden gefässen, insbesondere blutgefässen, unter verwendung der lattice-boltzmann-methode
Rosati Rowe et al. Development of a three-dimensional model of the human respiratory system for dosimetric use
DE102021120280A1 (de) Auswahl einer prothese und identifizierung einer landungszone zur implantation der prothese
Ding et al. Stenotic geometry effects on airflow dynamics and respiration for central airway obstruction
DE102024211574B3 (de) Computerimplementiertes Verfahren zum Betrieb einer bildgebenden Röntgeneinrichtung, Röntgeneinrichtung, Computerprogramm und elektronisch lesbarer Datenträger
DE102020206232A1 (de) Computerimplementiertes Verfahren zur Klassifizierung eines Körpertyps

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20221014

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20250508