Die Mortalität für Betroffene eines außerklinischen Herzkreislaufstillstandes (OHCA) ist weiterhin hoch – trotz intensiver Forschung und stetiger Optimierung der Versorgungsstrukturen. Gemäß der Daten einer repräsentativen Metaanalyse von 2020 (141 Studien, > 4 Millionen OHCA-Patienten) erreichen weltweit nur 22 % der OHCA Patientinnen und -Patienten eine Klinik, nur 8,8 % überleben den Klinikaufenthalt. Es besteht somit ein dringender Bedarf an innovativen, schnell verfügbaren und individuell angepassten Ansätzen für eine gezielte Diagnostik und Therapie, um die Überlebenschancen der Betroffenen verbessern zu können. Aufgrund der Komplexität des Erkrankungsbildes rücken Methoden der künstlichen Intelligenz (KI) und des Machine Learning (ML) zunehmend in den Fokus. Solche Technologien sind dazu fähig, in einem zeitkritischen Setting große Datensätze zu analysieren und komplexe Muster zu erkennen, wodurch eine echtzeitgestützte Entscheidungsfindung möglich wird. Etablierte, studienbasierte Methoden könnten damit ergänzt werden.
Mithilfe etablierter ML-Modelle (Random Forest, XGBoost) konnten sowohl wir als auch andere Forscherteams bereits erste Ansätze und Ideen zur Anwendung von ML nach OHCA aufzeigen. Relevante Prädiktoren für die Mortalität und das neurologische Outcome wurden identifiziert, darunter demografische Parameter, reanimationsassoziierte Faktoren sowie Biomarker der Hämodynamik, Inflammation und Organfunktion. In Kombination angewendet ermöglichen diese frühzeitig erhobenen Parameter unseren Daten zufolge eine genauere Prognose als traditionelle Scores wie z. B. rCAST.
Die Identifikation und Nutzung jener etablierten Biomarker ist jedoch lediglich ein erster Schritt zur Integration von KI in das Postreanimationsmanagement. Eine umfassendere Datenauswertung – inkl. der Identifikation neuer, innovativer Biomarker sowie der präzisen Bestimmung optimaler Diagnose- und Therapiezeitpunkte – ist in dieser hochkomplexen und zeitkritischen Situation unerlässlich. Prädiktoren für spezialisierte Therapieverfahren, z. B. mechanische Kreislaufunterstützungssysteme, können darüber hinaus dazu beitragen, deren Einsatz gezielter und ressourcenschonender zu steuern.
Mittels innovativer Technologien könnten perspektivisch zudem sensorische und visuelle Parameter in das Postreanimationsmanagement integriert werden. Ansätze der Virtual und Augmented Reality bieten eine vielversprechende Echtzeitunterstützung für Notfallteams. Holografische Projektionen relevanter klinischer Marker könnten unter Zuhilfenahme von Wearables (z. B. Smart Glasses) unmittelbar visuelle Hinweise liefern, die fundierte Therapieentscheidungen erleichtern. Eine auf Echtzeitpatientendaten basierende 3-D-Visualisierung des Körpers könnte die Identifikation des führenden pathophysiologischen Problems und somit eine gezielte Intervention unterstützen. Erste Anwendungsdaten sind vielversprechend.