Ein «Autopilot» für das Bellavista-Beatmungsgerät

Lesedauer: 3 Min.

Ausgangslage

Das Beatmungsgerät Bellavista kommt auf Intensivstationen zum Einsatz. Das Anwendungsgebiet reicht vom Frühgeborenen bis zum erwachsenen Patienten. Da sich der Zustand des Patienten rasch ändern kann, müssen die Beatmungsparameter (Atemzugsvolumen, Atemfrequenz und Sauerstoffzufuhr) entsprechend schnell angepasst werden können. Aus wirtschaftlichen Überlegungen und aufgrund limitierter personeller Ressourcen ist eine ununterbrochene Überwachung des Patienten nicht möglich. Die Herausforderung für das Pflegepersonal besteht zudem darin, die zahlreichen Parameter so zu wählen, dass das Ziel der Beatmung möglichst gut erreicht wird. Dies setzt neben medizinischem Fachwissen auch technisches Wissen voraus.

Ziel des Projekts

Eine Automatisierung der Beatmung wird angestrebt, um die Qualität der Beatmung zu erhöhen und die Anwendung des Geräts durch das Pflegepersonal zu vereinfachen. Die Anzahl möglicher Einstellungen soll reduziert und stattdessen automatisch vom Gerät bestimmt werden. Die verbleibenden Parameter sollen gut verständlich sein und direkt die Ziele der Beatmung (Austausch von Sauerstoff und Kohlendioxid) beeinflussen können.

Technische Umsetzung

Nach der ausführlichen Recherche der entsprechenden Fachliteratur sowie der Auswertung von Gesprächen mit Ärzten, wird in groben Zügen der Algorithmus skizziert. Da insbesondere das Minuten-Volumen (das Produkt aus Atemfrequenz und Atemzugsvolumen) mit dem Austausch von Kohlendioxid zusammenhängt, soll der Anwender statt Frequenz und Volumen das Minuten-Volumen vorgeben. Die Herausforderung besteht darin, dass es unendlich viele Lösungen gibt, um ein Minuten-Volumen aufgrund von Frequenz und Volumen zu erreichen. Aus dieser Vielzahl an Lösungen muss der Algorithmus demzufolge jene Lösung wählen, die die beste und optimale Kombination für den Patienten darstellt.

Was ist die «beste» Kombination für den Patienten?

Im Grundsatz braucht der Algorithmus ein Modell, das beschreibt, was für den Patienten gut oder schlecht ist. In der Optimierungstheorie spricht man dabei von einer Kostenfunktion. Dies bedeutet, dass eine Funktion oder ein Modell benötigt wird, das anzeigt, wie viel eine Beatmung «kostet» (in Bezug auf Atemfrequenz und Atemvolumen), um im Anschluss diese Kosten konsequent zu minimieren. Denn aktuelle Resultate aus der Forschung zeigen, dass die abgegebene Leistung (Produkt aus Fluss und Druck) vom Beatmungsgerät an den Patienten mit Lungenschäden zusammenhängen kann. Somit sollte die potenziell gefährliche Leistung so tief wie möglich gehalten werden. Ein Modell ist gefragt, welches die abgegebene Leistung an den Patienten beschreibt. Die Leistung, die während einer Beatmung zu erwarten ist, kann durch physikalische Modellierung wie folgt hergeleitet werden:

Die Suche nach der optimalen Kombination aus Frequenz und Volumen und somit das Lösen des Optimierungsproblems erfolgt in diesem Fall numerisch mit Hilfe einer analytisch hergeleiteten Fixed-Point Iteration. Eine Fixed-Point Iteration bedeutet, dass die beste Kombination nicht direkt berechnet werden kann, sondern in einem iterativen numerischen Prozess approximiert wird. Sobald die Änderung zwischen den Iterationen nicht mehr signifikant ist, kann der Prozess gestoppt werden.

Vom Modell zur adaptiven Beatmung

Aus der Gleichung 1 ist ersichtlich, dass die Kostenfunktion von der «Resistance» (R), der «Compliance» (C) sowie von dem Totraum (VD) des Patienten abhängig ist. Die Compliance und die Resistance sind Kennzahlen für die Dehnbarkeit der Lunge, respektive der Atemwegs-Restriktionen. Der Totraum gibt an, wie viele Regionen des Atemsystems nicht am Gasaustausch teilnehmen. Es ist also ersichtlich, dass die Kostenfunktion abhängig ist von den aktuellen Lungeneigenschaften. Dies bedeutet, dass das Modell während der laufenden Beatmung immer wieder neu bestimmt und ausgewertet werden muss. Damit wird erreicht, dass die Einstellungen von Frequenz und Volumen fortlaufend optimiert und an den Zustand des Patienten adaptiert wird.

Die Bestimmung der Modell-Parameter erfolgt mittels statistischem Verfahren auf der Basis des gemessenen Atemweg-Druckes, des ausgeatmeten CO2 und des abgegebenen Flusses. Das Gerät lernt, aufgrund der gemessenen Daten den Zustand des Patienten zu bestimmen und agiert entsprechend, indem es die abgegebene Leistung minimal hält.

Von der Idee zum Produkt

In einem ersten Schritt wird ausschliesslich mit Simulationen gearbeitet. Dafür werden Patient und Beatmungsgerät mittels Matlab und Simulink simuliert, um den entwickelten Algorithmus auszuführen. Die Resultate können somit frühzeitig durch klinisches Fachpersonal geprüft und bewertet werden (Abbildung 1). Nachdem der Algorithmus aufgrund des klinischen Feedbacks verfeinert und perfektioniert wird, kann die Umsetzung auf dem Gerät starten. Mit der Hilfe von Lungen-Simulatoren werden dann erneut eine breit gestreute Serie an Szenarien durchgespielt, um die Sicherheit und Zuverlässigkeit zu bewerten und gegebenenfalls zu erhöhen.

Abbildung 1: Simulations-Umgebung, die das Verhalten des AVM-Algorithmus bewertet

Erst nachdem der gesamte Entwicklungszyklus gemäss V-Modell durchlaufen und alle System-Tests erfolgreich bestanden sind, können klinische Tests unter kontrollierten Bedingungen durchgeführt werden. Dazu wird in einem Spital erfolgreich eine Studie durchgeführt, um das neue Funktionsprinzip zu validieren. Selbstverständlich werden dabei die ethischen Richtlinien eingehalten.

Ergebnis

Sechs von neun Einstellungsmöglichkeiten werden automatisch festgelegt. Der Beatmungsmode AVM (Adaptive Ventilation Mode) passt sich laufend dem Zustand des Patienten an. Mittels eines statistischen Verfahrens wird der gesundheitliche Zustand der Lunge geschätzt sowie die Atembemühungen und das Atemmuster fortlaufend analysiert und klassifiziert. Intelligente Algorithmen sorgen anschliessend dafür, dass die Beatmungsparameter automatisch angepasst werden. So ist eine möglichst optimale Beatmung gewährleistet.

Um diese innovative Lösung zu schützen und nachhaltige Werte zu erzeugen, wurde diese Lösung für unseren Kunden erfolgreich zum Patent angemeldet (EP3656429B1).

«Dank diesem Projekt erhielt nicht nur unser Kunde nachhaltige Werte, sondern auch die Patienten profitieren nachweisbar vom Ergebnis. Eine Win-Win-Situation, die innere Zufriedenheit schafft und auch mit Stolz erfüllt.»

Matthias van der Staay, CTO

Das könnte Sie auch interessieren

MRT-kompatibles Beatmungsgerät

Therapeutischer Netzhautlaser

Druckluftkompressor

Gefässtherapiegerät

Patientenüberwachungs-Monitor

Operationsmikroskop