Schaffung der Voraussetzungen für ein besseres Verständnis komplexer Hirnleistungsstörungen

Wir vergleichen das Gehirn oft mit einer Maschine mit Rädern, Zahnrädern und Riemen. Wenn in dieser Analogie etwas kaputt geht, gerät der gesamte Mechanismus ins Stocken oder kommt zum Stillstand. In den meisten Fällen ist es jedoch nicht so, wie es in unserem Gehirn aussieht. Stattdessen ist es eher wie ein Theater. Hier sind die Neuronen die Musiker, Schauspieler und Tänzer, und sie improvisieren eine Aufführung, die unsere Gedanken und unser Leben prägt.

Ich bin Elektronik- und Computeringenieur am DSS-Labor der Nationalen Technischen Universität Athen. Im Dezember 2019 stellte mich Ioannis Stavropoulos, ein Neurowissenschaftler am King's College London, seinem Kollegen Elissaios Karageorgiou vom Neurologischen Institut in Athen vor. Sie wollten bei einem Kaffee über eine Idee sprechen, die sie über Neurologie und in gewisser Weise auch über Theater hatten.

In jedem Theaterstück passieren Fehler - eine Geige könnte eine Note verfehlen, ein Schlagzeuger könnte einen Takt auslassen, ein Schauspieler könnte eine Zeile durcheinander bringen oder ein Tänzer stolpern. Manchmal gehen viele Dinge gleichzeitig schief, und das Publikum fragt sich, was da los ist. War es der Sänger, der sich vertan hat? Hat der Pianist den falschen Akkord angeschlagen? Ist das Licht zur falschen Zeit ausgegangen und hat beide verwirrt?

Komplexe Hirnleistungsstörungen (CoBraD) ähneln dem sehr. Dazu gehören die Alzheimer-Krankheit, Schlafprobleme und Epilepsie. Wir sehen ihre Symptome als Leistungsfehler, aber es ist schwer, sie zu gruppieren, zu benennen und ihre Ursachen zu erkennen. Wenn mehrere Symptome auf einmal auftreten, wird die Diagnose besonders schwierig.

Es wäre schwer zu erkennen, was in einem Musical oder Theaterstück nicht stimmt, wenn man nur alle halbe Stunde ein oder zwei Sekunden zuhört. Ähnlich schwierig ist es, ein medizinisches Problem zu diagnostizieren, wenn wir den Patienten nur kurz untersuchen, wie etwa bei gelegentlichen Arztbesuchen. Infolgedessen können CoBraDs lange Zeit unter- oder undiagnostiziert bleiben oder falsch diagnostiziert werden. Es kann mehr als eine Krankheit gleichzeitig bestehen, und die Diagnose und Behandlung sind teuer, für die Patienten manchmal unzugänglich und oft unwirksam.

Aufmerksamkeit für die gesamte Aufführung

Ähnlich wie bei einem Theaterstück jeder Künstler seine Rolle gut spielen muss, um eine fesselnde Aufführung zu gewährleisten, erfordert die Diagnose von CoBraDs eine Vielzahl von genauen und aufeinander abgestimmten Daten. Alzheimer, Schlafstörungen und Epilepsie sind nur einige der Krankheiten, die Ioannis und Elissaios untersuchen und behandeln. Da sie die Grenzen herkömmlicher Diagnosemethoden erkannten, wandten sie sich realen Daten (RWD) zu, d. h. Daten, die direkt von Patienten erhoben wurden, die nicht an einer klinischen Studie teilnahmen.

Daten aus klinischen Studien sind zuverlässiger als Daten aus der realen Welt - sie sind das Ergebnis von Experimenten, die unter strengen und kontrollierten Bedingungen durchgeführt wurden. Sie sind jedoch oft schwer und teuer zu beschaffen, haben einen begrenzten Umfang und repräsentieren die Komplexität und Variabilität der realen Welt möglicherweise nicht vollständig.

Im Gegensatz dazu umfassen reale Daten ein breiteres Spektrum von Informationsquellen, von elektronischen Gesundheitsakten und Patientenbesuchen bis hin zu medizinischen Geräten wie MRTs und Wearables. Wenn man diese verschiedenen Datenpunkte zusammenfasst, werden sie zu "Big Data" und bieten einen umfassenderen Blick auf die Gesundheit des Patienten. Durch diesen ganzheitlichen Ansatz können Muster und Erkenntnisse aufgedeckt werden, die bei konventionellen, enger gefassten Diagnosemethoden möglicherweise übersehen werden.

Das Sammeln großer Mengen von Daten aus der realen Welt ist nur der Anfang. Die eigentliche Herausforderung besteht darin, alle Daten zu harmonisieren und zu analysieren, um aussagekräftige Erkenntnisse zu gewinnen, und dann Wege zu finden, diese für die Diagnose und Behandlung von Patienten zu nutzen. Um dies zu erreichen, haben wir Experten aus verschiedenen wissenschaftlichen Disziplinen hinzugezogen. Unsere Vision war es, eine digitale Plattform zu schaffen, auf der Neurowissenschaftler große Datenmengen speichern und austauschen, sie analysieren und für die Entwicklung neuer Diagnoseverfahren und -kriterien nutzen können, die komplexer und differenzierter sind als das, was menschliche Kliniker bewältigen können.

Diese Verfahren würden in die Plattform integriert, um Kliniker bei der Entscheidungsfindung für ihre Patienten zu unterstützen, wenn sie diese diagnostizieren oder behandeln. Diese Systeme werden als Entscheidungsunterstützungssysteme bezeichnet, und wenn sie Werkzeuge wie künstliche Intelligenz nutzen, um die Kompetenzen menschlicher Experten in einem technischen oder wissenschaftlichen Bereich zu erweitern, werden sie als Expertensysteme bezeichnet.

Wissenschaftler haben zahlreiche Ideen vorgeschlagen, die darauf hindeuten, dass schwache Hinweise und unterschiedliche Signale auf die Früherkennung von CoBraD hindeuten könnten. Viele davon sind noch nicht bewiesen, und einige sind ohne Computer nur schwer zu verfolgen. So könnten beispielsweise leichte Veränderungen im Schlaf in Verbindung mit bestimmten MRT-Anzeichen auf eine frühe Hirnstörung hindeuten. Anstatt jahrelang auf eindeutige Symptome zu warten, könnten die Ärzte schnell handeln und die Aussichten des Patienten verbessern.

So entstand die Idee für das Multidisziplinäre Expertensystem für die Bewertung und Behandlung komplexer Hirnleistungsstörungen (MES-CoBraD). Gemeinsam mit Experten aus der Medizin, den Ingenieurwissenschaften und der Informatik bauen wir eine Softwareplattform auf und betreiben damit medizinische Forschung.

Wenn Ärzte, Praktiker, Software-Ingenieure und KI zusammenarbeiten

MES-CoBraD entwickelte sich zu einem von der EU finanzierten Projekt, an dem inzwischen 14 Universitäten, Unternehmen und Krankenhäuser in ganz Europa beteiligt sind. Das zugrunde liegende Konzept ist einfach: Daten und Beobachtungen aus der klinischen Praxis werden von der medizinischen Forschung genutzt, um eben diese Praxis zu verbessern.

Bei dieser kontinuierlichen, zirkulären Zusammenarbeit kann die Technologie als Bindeglied und Wegbereiter dienen. Forscher und Kliniker sammeln und anonymisieren Patientendaten und laden sie auf die Plattform hoch. Die Forscher stellen wissenschaftliche Hypothesen auf, analysieren die Daten, trainieren KI-Modelle und testen ihre Hypothesen.

Sollte ihnen ein Durchbruch gelingen, könnten Kliniker die Algorithmen der Plattform direkt nutzen, um Patienten zu diagnostizieren und zu behandeln. Die entsprechenden Daten würden wiederum anonymisiert und dazu dienen, neue Hypothesen zu testen, neue statistische Analysen durchzuführen, KI-Modelle zu trainieren oder bestehende zu verfeinern.

Die Herausforderungen sind vielfältig. Wenn wir neue Experimente konzipieren, müssen wir sicherstellen, dass unsere Daten unverfälscht sind. Wir untersuchen auch die ethischen Implikationen des Einsatzes künstlicher Intelligenz in der Medizin. Wie können wir zum Beispiel sicherstellen, dass die Vorschläge der künstlichen Intelligenz von den Ärzten verstanden werden und dem Patienten erklärt werden können? Wie können wir sicher sein, dass sie nicht versehentlich eine Patientengruppe gegenüber einer anderen bevorzugen oder Kosteneinsparungen über das menschliche Leben stellen? Wenn die KI einen Fehler macht, wer übernimmt dann die Verantwortung?

Mit MES-CoBraD haben wir uns auf unbekanntes Terrain gewagt, aber immer mit bestimmten Zielen vor Augen. Obwohl die Plattform in verschiedenen medizinischen Bereichen eingesetzt werden kann, liegt der Schwerpunkt jetzt darauf, ein sehr detailliertes Bild vom Gesundheitszustand der Patienten (ein Prozess, der als Deep Phenotyping bezeichnet wird) in Verbindung mit fortschrittlichen Analysetools und KI für die Diagnose und das Management von CoBraD zu nutzen. Im Wesentlichen geht es darum, gleichzeitig die Instrumente zu stimmen, den Text der Schauspieler zu verfeinern und die Partitur anzupassen.

Eine persönliche Wende auf der Bühne

Interessanterweise gibt es auch in meinem eigenen "Theaterstück" Momente der Dissonanz, da ich manchmal mitten in der Nacht aufwache und nur schwer wieder einschlafen kann. Ich glaube nicht, dass es sich um etwas Ernstes handelt, aber als Wissenschaftler und langjähriger Forscher wollte ich mir die Gelegenheit nicht entgehen lassen, unsere eigenen Methoden und Verfahren an mir selbst zu testen. Ich meldete mich also als Testperson für unsere Schlafstudie an und trug eine Woche lang ein Gerät namens "Actigraph" am Handgelenk, das meine Aktivitäten, meine Ernährung und meinen Schlaf aufzeichnete. Ich nahm an Gedächtnistests teil und beantwortete Fragen, und schließlich kam das Hauptereignis: Ich wurde mit etwa 40 oder 50 Kabeln, Schläuchen und Sensoren verkabelt und schlief eine Nacht in der Klinik. Als Bonus bot ich monatelange Gesundheitsdaten von meiner Smartwatch an, die anonymisiert und in die Plattform aufgenommen wurden.

Ich freue mich, berichten zu können, dass meine Schlafprobleme im Moment wahrscheinlich stressbedingt sind. Sollten Deep Phenotyping und KI jedoch am Ende etwas Schlimmeres diagnostizieren - etwa eine früh einsetzende komplexe Hirnstörung -, wäre die Frage für jemanden in meiner Lage: "Sollte ich mir Sorgen machen oder den wissenschaftlichen Durchbruch feiern, wenn dies der Fall ist?"