K�nstliche neuronale Netze zur Steuerung von Heimbeatmungsger�ten

Heimbeatmung

| Monatsschrift Kinderheilkunde 3•2003274

Zusammenfassung

Fragestellung. Untersucht wurde, ob künst-liche neuronale Netze (KNN) zur Steuerungvon Heimbeatmungsgeräten geeignet sind.Methodik und Patienten. In standardisier-ten Protokollen wurden bei 29 Heimbeat-mungspatienten mit neuromuskulärenErkrankungen und Thoraxdeformitäten105 Situationen mit und ohne Beatmungerfasst. Danach wurden 40 künstliche neuro-nale Netze verschiedenster Architektur kon-figuriert und trainiert. Für weitere 10 „virtu-elle Patienten“ stellten 10 Experten Beat-mungsvorschläge zusammen, anhand dererdie Zuverlässigkeit der KNN-Modelle gemes-sen wurde. Der Vergleich KNN vs. Expertewurde mittels Mahalanobis-Distanzendurchgeführt.Ergebnisse. Die Mahalanobis-Distanzen bei„KNN vs. Experten“ waren bei 10 von 40 KNNden Werten von „Experte vs. Experte“ ver-gleichbar. 18 von 40 KNN erzeugten geeig-nete Beatmungseinstellungen für alle 10 „virtuellen Patienten“ im Volumen- bzw.Drucksteuerungsmodus. Die Architektur derKNN spielt dabei eine untergeordnete Rolle.Schlussfolgerung. KNN können zuverlässigeBeatmungsvorschläge für eine Heimbeat-mung an „virtuellen Patienten“ liefern.Diskussion. In weiteren Studien solltenausgewählte KNN prospektiv an realenHeimbeatmungspatienten getestet werden.

Die vorliegende Untersuchung beschäf-tigt sich mit der Frage,ob künstliche neu-ronale Netze geeignet sind,adäquate Vor-schläge für die Beatmung von Heimbeat-mungspatienten zu liefern. Mit dernichtinvasiven nasalen Maskenbeatmungsteht eine etablierte Methode bei diversenIndikationen zur Heimbeatmung zur Ver-fügung [3,11,21,30].Zum Thema Heimbe-atmung in Kombination mit künstlichenneuronalen Netzen (KNN) gibt es in derLiteratur bisher keine Untersuchungen.

Die Kopplung von Heimbeatmungs-geräten mit künstlicher Intelligenz hatdas Ziel,

● dem Arzt die Arbeit am Krankenbettzu erleichtern,

● dem Patienten durch adäquate undrasche Einstellung der Beatmungmehr Lebensqualität durch kürzereKrankenhausaufenthalte zu bietenund

● dem unerfahrenen Arzt als Unter-stützung zu dienen.

Die frühesten Arbeiten mit KNN stam-men aus den 20er Jahren. 1943 legten Mc-Culloch und Pitts wesentliche Grundstei-ne, ab 1960 leisteten Hebb, Rosenblatt,Widrow und Hoff weitere Pionierarbeitauf diesem Gebiet.Nach Minskys und Pa-perts Veröffentlichung Ende der 60er Jah-re über die Grenzen des „one-layer-per-ceptron“ (sehr einfach strukturiertesKNN,das bei der Ausführung simpler ma-thematischer Funktionen versagte) sta-gnierte die Arbeit an den KNN. In den70er Jahren richtete sich das Augenmerkeher auf das Verständnis von neuronalenund synaptischen Funktionen desmenschlichen Gehirns mithilfe von KNN.

HeimbeatmungMonatsschr Kinderheilkd 2003 · 151:274–283DOI 10.1007/s00112-003-0666-5

S.Twork1 · S. Usicenko2 · R. Koch3 · B. Berger5 · J. Bickhardt6 · R. Ragette7· U. Mellies8

G.Wigand4 · G.Wolf5 · E. Paditz1

1 Klinik und Poliklinik für Kinder- und Jugendmedizin, Medizinische Fakultät Carl Gustav Carus,TU Dresden2 Medizinische Klinik und Poliklinik II, Medizinische Fakultät Carl Gustav Carus,TU Dresden3 Institut für Medizinische Informatik und Biometrie,TU Dresden4 Medizin Service GmbH, Niederwiesa5 Gesellschaft für Mikroelektronikanwendung Chemnitz mbH (GEMAC), Chemnitz6 Zentrum für Pneumologie/Thorax- und Gefäßchirurgie, Fachkrankenhaus Coswig7 Ruhrlandklinik Essen8 Kinderklinik, Abteilung allgemeine Kinderheilkunde mit Schwerpunkt Neuropädiatrie,Universität Essen

Künstliche neuronale Netzezur Steuerung von Heimbeatmungsgeräten

© Springer-Verlag 2003

Dr. E. PaditzKlinik und Poliklinik für Kinder- und Jugendmedizin, Medizinische Fakultät Carl Gustav Carus,TU Dresden,Fetscherstraße 74, 01307 Dresden,E-Mail: [email protected]

Der Einsatz dieses Modells auf anderenmedizinischen Gebieten mit Beatmung wäredenkbar.

Schlüsselwörter

Künstliche neuronale Netze · Heimbeatmung · Neuromuskuläre Erkrankungen · Thoraxdeformitäten · Mahalanobis-Distanzen

Monatsschrift Kinderheilkunde 3•2003 | 275

S.Twork · S. Usicenko · R. Koch · B. BergerJ. Bickhardt · R. Ragette · U. MelliesG.Wigand · G.Wolf · E. Paditz

Directing ventilator settings for home-ventilated patients by artificial neuralnetworks

Abstract

Objective. Evaluation of artificial neuralnetworks (ANN) regarding their reliability indirecting ventilator settings for home-ventilated patients.Methods. A total of 105 conditions, obtainedduring mechanical and spontaneous ventila-tion, were recorded in 29 home-ventilatedpatients with neuromuscular diseases andthoracic deformities.They were used to con-figurate and train 40 different ANNs, whichwere applied to 10 virtual case scenarios andcompared with ventilator settings chosen by10 medical experts. Mahalanobis distanceanalysis was applied to compare compati-bility of „ANN vs. experts“ and „expert vs.experts“ generated ventilator settings.Results. 10/40 ANN generated ventilatorsettings were identical to expert choices.Another 18/40 ANN generated ventilatorsettings showed acceptable similarity onvisual analysis. No difference in choice spec-trum was found between pressure or volumecontrolled ventilation mode. ANN architec-ture proved to be of minor importance.Conclusion. ANN is capable of generatingreliable ventilator settings for home venti-lated patients.Discussion. The applicability of such tech-nology requires further testing in the realpatient setting.

Keywords

Artificial neural networks · Ventilation at home · Neuromuscular diseases · Thorax deformities · Mahalanobis distances

Erst in den 80er Jahren feierten die KNNihr Comeback,als bewiesen werden konn-te,dass auch 2- und 3-schichtige Netze be-liebige mathematische Funktionen aus-führen können und geeignete Trainings-methoden entwickelt wurden [16, 18].

Neuronale Netze ahmen, wenn auchauf recht primitivem Niveau, Eigen-schaften von Nervenzellen nach, die aufhochkomplexe Weise miteinander ver-bunden sind und eine stark parallele Re-chenstruktur ausbilden [25, 28]. Lern-vorgänge sind dabei Adaptationen anVerbindungen zwischen verschiedenenNeuronen, die mit Fortschreiten desLernprozesses optimiert werden und sohemmend oder verstärkend tiefer gele-gene Schichten beeinflussen.

KNN haben die Fähigkeit, sich durchLernvorgänge selbst zu optimieren,ohne dass dafür strenge Regeln defi-niert sein müssen.

Prinzipiell sind sie in Aufgabenberei-chen einsetzbar, in denen es um die Er-kennung von Zusammenhängen zwi-schen unscharfen Mustern geht. Sie eig-nen sich außerdem für die Lösung kom-plexer, nichtlinearer Probleme, wie sieoftmals auch in der Medizin zu findensind [25].

Ein KNN (Abb. 1) besteht aus meh-reren Neuronen, die in Schichten ange-ordnet sind und miteinander in Verbin-dung stehen [18, 28].

Die neuronalen Outputs einerSchicht dienen den Neuronen der nächs-ten Schicht als Input [5, 6, 28]. Die fürden interneuronalen Datenfluss verant-wortlichen Verbindungen modifizierendie Stärke des von ihnen weitergeleite-ten Signals anhand ihres Wichtungsfak-tors („Gewicht“) [6]. Zwischen Neuro-

nen derselben Schicht bestehen norma-lerweise keine Kontakte untereinander.Der Weg der Daten verläuft unidirektio-nal von der Input- über eine oder meh-rere Hidden-Schichten (Ort der Assozia-tion von Input und Output) zur Output-schicht,weshalb diese KNN als „Feedfor-ward“-Netze bezeichnet werden. Dane-ben gibt es KNN-Architekturen, die mitbidirektionalem Datenfluss arbeiten; an-dere benutzen Feedback-Mechanismen.

Die meisten KNN, wie auch in die-ser Studie, sind Feedforward-KNN, die„backpropagation“ als Lernmethodenutzen. Das „Wissen“ oder „Gedächtnis“der KNN wird durch die Verteilung derVerbindungsgewichte definiert [28, 31].Konkrete Angaben für den idealenKNN-Aufbau gibt es in der Literaturnicht. Empfohlen werden kleine Input-zahlen [14, 24] und das Experimentierenmit verschiedenen KNN-Strukturen [4,12, 14]. Über die Anzahl der so genann-ten Hidden-Schichten und deren Neuro-ne herrscht Uneinigkeit [2, 9, 28].

Beim häufig genutzten „supervisedlearning“ trainiert das KNN, die im Trai-ningsdatensatz vorgegebenen Inputs mitden ebenfalls präsentierten Outputs zuassoziieren und eigene Regeln über derenZusammenhang aufzustellen. Ein KNNverbreitet im Training vorwärts gerichtetselbständig die angebotenen Inputs desTrainingsdatensatzes bis zur Output-schicht (Feedforward-KNN) und gene-riert entsprechend seinen Neuronenge-wichten seinen eigenen Output als Ant-wort auf den Input. Aus der Abweichungdes im Trainingsdatensatz präsentiertenOutputs zu dem vom KNN generiertenwird der Gesamtfehler E des KNN be-stimmt.Dieser wird in entgegengesetzterRichtung (Backpropagation) wieder zurInputschicht geleitet. Auf diesem Weg

Monatsschr Kinderheilkd 2003 · 151:274–283DOI 10.1007/s00112-003-0666-5

Abb. 1 � Vereinfachte Darstellung eines KNN,modifiziert nach Shufflebarger [27]. Die Input-schicht enthält 3 nicht miteinander kommuni-

zierende Neuronen, die mit jedem der 2 Neuro-nen der Hidden-Schicht verbunden sind. Die

Outputschicht wird durch 1 Neuron repräsen-tiert. Neurone der Inputschicht führen keineBerechnungen im Sinne einer „gewichteten

Summation“ durch [6]

Heimbeatmung


werden die Neuronengewichte entspre-chend dem Fehler E modifiziert.Der Vor-gang wird solange wiederholt, bis E seinMinimum erreicht. Das Training kanndann beendet werden.

In der Testung muss nun das KNNmit den optimalen Gewichten auf Inputsselbständig Outputs generieren. Somitsind für das Training von KNN großeund inhaltlich vielfältige Datensätzenotwendig. Im medizinischen Bereichwurden KNN auf verschiedensten Ebe-nen eingesetzt, von der EKG-Diagnostiküber zytologische Befundungen bis hinzur radiologischen Diagnostik und Vor-hersage von Überlebenswahrscheinlich-keiten bei Notfallpatienten ([1, 4, 15, 19,20, 23, 26] Literaturstand: 1990–2000).

Material und Methode

Nach Zustimmung der örtlichen Ethik-kommission und schriftlicher Patienten-einwilligung wurden im Zeitraum vonFebruar bis Dezember 2000 in Zusam-menarbeit der Kinderklinik des Univer-sitätsklinikums Dresden, der Ruhrland-klinik, Zentrum für Pneumologie undThoraxchirurgie Essen und dem Lungen-fachkrankenhaus Coswig bei 29 Patien-ten 105 Situationen mit und ohne künst-liche Beatmung protokolliert.

Patienten

Die Patientengruppe setzte sich aus11 weiblichen und 18 männlichen Patien-ten mit Indikation zur nichtinvasiven,intermittierenden Maskenbeatmung zu-sammen. 11 der 29 Patienten wurdenerstmals auf eine Maskenbeatmung ein-gestellt, 18 Patienten befanden sich zurKorrektur einer bereits bestehenden Be-atmung in stationärer Behandlung. Derjeweilige Beatmungsmodus bestand bei

17 Patienten aus volumenkontrollierter,bei 2 Patienten aus druckkontrollierterund bei 10 Patienten aus druckassistier-ter Beatmung.

Das Patientenalter lag zwischen 9,2und 78,4 Jahren (Median 25,1 Jahre; Tabel-le 1), das Gewicht schwankte zwischen 14und 105 kg, und die Körpergröße beweg-te sich zwischen 115 und 176 cm.Die inspi-ratorische Vitalkapazität (VC) erstrecktesich von 170,0 bis 2080,0 ml, die relativeVC betrug 6,2 bis 52,9% vom Sollwert.

Die Patienten litten vorwiegend anneuromuskulären Erkrankungen undthorakalen Veränderungen (Tabelle 2).

Die Medikation der Patienten be-stand bei 14/29 aus Theophyllin, bei 9/29Patienten aus einem Diuretikum und beiweiteren 9/29 aus einem ACE-Hemmer.7/29 Patienten erhielten Herzglykoside,6von ihnen ein Bronchospasmolytikum,und 1 Patient wurde mit einem Antihista-minikum und Glukokortikoid behandelt.14/29 Patienten erhielten keine medika-mentöse Therapie.

Parameter

Bei Aufnahme jedes Patienten in die Un-tersuchungsserie vor und nach jeder

Veränderung der Beatmungseinstellun-gen, wurde vom behandelnden Arzt einProtokoll (vgl. Tabelle 3) ausgefüllt. Zurweiteren statistischen Auswertung wur-den die 105 Protokolle der 29 Patiententabellarisch erfasst und später als Lern-datensätze zum Training der KNN ge-nutzt. Erfasst wurden Patientendatenwie Alter, Körpergewicht und -größe,BMI, Grunderkrankung, Medikation, in-spiratorische Vitalkapazität, relative Vi-talkapazität. Zu den erfragten Befind-lichkeitsangaben zählten

● das subjektive Befinden,● der Arzteindruck vom Patientenbe-

finden (jeweils Skala 1–6; 1: sehr gut,6: sehr schlecht),

● Atemnot (Skala 0–6; 0: keine,6: sehr stark),

● Nykturiehäufigkeit,● nächtliches Schwitzen und● morgendlicher Frontalkopfschmerz

(jeweils Skala 0–2; 0: nie, 1: gelegent-lich, 2: immer).

Tabelle 3 bietet eine Übersicht über dieregistrierten klinischen Parameter.

Geräte

Alter und BMI der Patienten wurden mitdem Auxology Calculator der Fa. Glaxo-Wellcome berechnet in dem die Normal-werte von Reinken und van Oost enthal-ten sind [22].Die inspiratorische Vitalka-pazität sowie die relative Vitalkapazität(in % der Norm) wurden bei den Patien-ten aus Dresden und Coswig mittels Bo-dyplethysmographen MASTERLAB (Fa.Erich Jaeger) und bei den Patienten ausEssen mittels ZAN (Fa. Messgerätetech-nik Oberthulba) bestimmt. Die Sauer-stoffsättigung der Dresdner Patientenwurde via Pulsoximeter mit integriertem

Tabelle 1Daten der 29 Patienten

Parameter Mittelwert SD Median Bereich

Alter [Jahre] 38,1 24,8 25,1 9,2–78,4Gewicht [kg] 48,9 24,8 50,8 14,0–105,0BMI [kg/m2] 19,4 6,9 18,9 8,4–34,3Größe [cm] 154,2 18,9 162,0 115,0–176,0Inspiratorische VC [ml] 917,8 565,3 680,0 170,0–2080,0Relative VC [%] 28,3 14,7 27,0 6,2–52,9

VC Vitalkapazität

Tabelle 2Grunderkrankungen der 29 Patienten

Erkrankung Anzahl [%]

Spinale Muskelatrophie 8/29 27,7Muskeldystrophie 6/29 20,7Skoliose 6/29 20,7Thoraxdeformitäten 3/29 10,3Myopathie 2/29 6,9Chronisch obstruktive Lungenerkrankung (COPD) 2/29 6,9Amyotrophe Lateralsklerose (ALS) 1/29 3,4Knochenerkrankung 1/29 3,4

123(175 x 240 mm)

Hier steht eine Anzeige

This is an advertisement

Heimbeatmung


Schreiber (OXImeter, Fa. Radiometer;Mittelwertbildung über 4 Sekunden), inCoswig mittels kapillärer Blutgasanalyseaus dem hyperämisierten Ohrläppchenund in Essen mit dem im EMBLA Poly-somnographiesystem (Fa.SLAGA Island)enthaltenen Pulsoximeter ermittelt. DieParameter pH-Wert und pCO2 wurdenmittels kapillärer Blutgasanalysen ausdem hyperämisierten Ohrläppchen ge-messen, die Körpertemperatur wurdeaxillär mit einem elektronischen Ther-mometers erfasst. Die Simulation derKNN erfolgte mittels NNSIMV 4.3 (Neu-ronaler Netzwerksimulator Version 4.3)auf einem PC mit Pentium-III-Prozessor(500 MHz). Das Programm für den Neu-ronalen Netzwerksimulator läuft unterWINDOWS 9x und Windows NT.

KNN-Entwicklung und Training

In Zusammenarbeit mit der Fa. GEMACChemnitz wurden 40 verschiedeneKNN-Architekturen entwickelt. Die Si-mulation der Feedforward-KNN wurdemittels NNSIMV 4.3 durchgeführt. Je 20der 40 KNN arbeiteten mit einer qua-dratischen bzw. sigmoiden Transfer-funktion, ihre Inputanzahl variierte zwi-schen 12 und 23 Inputs, die Zahl der Hid-

den-Schichten zwischen 1 und 2 und dieAnzahl der Neurone pro Hidden-Schichtzwischen 10, 15, 20, 25 oder 30.

Parameter, die in KNN mit 12 Inputseingegeben wurden, finden sich in Ta-belle 4, zusätzliche Informationen fürKNN mit 23 Inputs in Tabelle 5.

Die Auswahl der Inputparameterbasierte auf klinischer Erfahrung undpathophysiologischen Überlegungen.Für die Eingabe der Inputparameterwurden deren Werte in einer Skala zwi-schen −1 und +1 normalisiert.

Output der KNN waren folgendeParameter:

● Beatmungsfrequenz,● I:E-Verhältnis,● Atemzugvolumen,● Sauerstoffsupplementation und● je nach Beatmungsmodus Inspira-

tionsdruck (druckkontrollierte Beat-mung) oder Flow (volumenkontrol-lierte Beatmung).

Zum Training der KNN wurden die 12bzw. 23 Inputparameter (Angaben zumPatienten) und die zugehörigen 5 Out-putparameter (Beatmungseinstellungender Experten) aller 105 Protokolle der29 realen Patienten zur Fa. GEMACtransferiert und wiederholt in zufälligerReihenfolge dem jeweiligen KNN prä-sentiert. Die initialen Gewichte wurdenanfangs durch den Netzwerksimulatorzufällig festgelegt, im Laufe des Lernpro-zesses durch das KNN per Backpropaga-tion angepasst und am Ende des Lern-prozesses abgespeichert.

Nach 2 Mio. Datensatzpräsentatio-nen wurde das Lernen willkürlich been-det. Der Gesamtnetzwerkfehler (Abwei-chung des Ist- vom Soll-Output) lag bei<10%. Insgesamt wurde jeder der105 Lerndatensätze etwa 19.050-mal an-gelegt. Pro KNN nahm dies eine Zeit vonetwa 10 Minuten in Anspruch.

Erprobung der KNN an „virtuellenPatienten“ und Expertenmeinung

Zur orientierenden Testung der KNN-Zuverlässigkeit wurden aufgrund dergeringen Anzahl an Lerndatensätzenzunächst 10 so genannte „virtuellePatienten“ entwickelt. Als Grundlagedafür dienten die 50 Protokolle derersten 12 realen Patienten. Anhandder Spannweite dieser Protokolldatenwurde zufällig, jedoch möglichst rea-

litätsnah für jeden der 10 virtuellenPatienten ein individueller Datensatzerstellt.

Die Aufgabe der 40 KNN bestanddarin, die 10 „virtuellen Patienten“ aufdruck- oder volumengesteuerte Beat-mung einzustellen durch Vorschläge für

● Atemzugvolumen,● Beatmungsfrequenz,● I:E-Verhältnis,● Sauerstoffsupplementation und● Inspirationsdruck bzw. Flow.

Als Referenz für die KNN-Vorschlägegalten die Beatmungseinstellungen von10 Heimbeatmungsexperten.Sie wurdenebenfalls aufgefordert, anonym die10„virtuellen Patienten“ auf druck- undvolumengesteuerte Beatmung einzustel-len. Zur Testung der KNN wurden die

Tabelle 3Registrierte klinische Parameter

Zeitpunkt der Astrupabnahme

Besonderheiten kurz vor der Astrupabnahme

pH-Wert

pCO2

Sauerstoffsättigung

Spontanatemfrequenz

Herzfrequenz

Körpertemperatur

Anzahl der Einziehungen (Summe der Kombination aus jugulärer, interkostaler und epigastraler Lokalisation)

Beatmungsform (druck- bzw. volumenkon-trollierte Beatmung oder druckassistierteBeatmung)

Beatmungsfrequenz

I:E-Verhältnis

Inspirationsdruck

Atemzugvolumen

Flow- und Sauerstoffsupplementation

Tabelle 5Zusätzliche Informationen für KNNmit 23 Inputs

Subjektives Patientenbefinden

Arzteindruck vom Patientenbefinden

Atemnot

Nächtliches Schwitzen

Morgendlicher Frontalkopfschmerz

Nykturie

Körpertemperatur

BMI

Relative Vitalkapazität

Zeitpunkt der Astrupabnahme

Besonderheiten kurz vor der Astrupabnahme

Tabelle 4Parameter für KNN mit 12 Inputs

Alter, Gewicht, Größe

Grunderkrankung

Inspiratorische Vitalkapazität

pH- und pCO2-Wert

Sauerstoffsättigung

Spontanatmungs- und Herzfrequenz

Anzahl der Einziehungen

Beatmungsform (wegweisend für dieEinstellung „Flow“ oder „Inspirationsdruck“in der Output-Schicht)


Daten der virtuellen Patienten als Inputgenutzt. Die 5 Vorschläge für die Beat-mungseinstellung mussten nun vom je-weiligen KNN geliefert werden.

Statistik

Für die Beurteilung der Zuverlässigkeitder KNN-Einstellungen im Vergleich„KNN vs. Experten“ sowie für den inter-individuellen Vergleich der 10 Expertenwurden Mahalanobis-Distanzen einge-setzt. Diese berücksichtigen Korrelatio-nen zwischen Variablen und die multi-variate Streuung um den Schwerpunktund ermöglichen die Beurteilung vonDistanzen zwischen Datenpunkten immehrdimensionalen Raum im Sinne in-haltlicher Unterschiede. Für Mahalano-bis-Distanzen gilt:

Je kleiner der Wert der Distanz, destogrößer ist z. B. die Übereinstimmungbei den Einstellungen des jeweiligenKNN, verglichen mit den Einstellungender 10 Experten.

Idealerweise sollten die Distanzen denWert „0“ annehmen.Die Schwierigkeit beider Auswertung der Mahalanobis-Distan-zen liegt jedoch darin begründet,dass kei-ne genau definierten Grenzen vorliegen,bis zu welchem Wert der Mahalanobis-Di-stanzen die beiden verglichenen Gruppennoch sinnvolle Übereinstimmungen auf-weisen.In der vorliegenden Arbeit ging esausdrücklich nicht um die Beurteilungder Mahalanobis-Distanzen zwischen denExperten, auch wenn diese als erfreulichgering zu interpretieren sind. Vielmehrliegt ein mehrdimensionales quantitativesVergleichsmaß für die Prüfung der Zuver-lässigkeit der KNN vor [7, 13].

Unabhängig von der Berechnungder Mahalanobis-Distanzen wurden dieKNN-Vorschläge visuell für jeden dervirtuellen Patienten beurteilt. Dabeiwurde eingeschätzt,

● ob der KNN-Beatmungsvorschlag in-nerhalb der Streubreite der Exper-tenmeinungen lag und damit auchklinischen Erfahrungen nahe ge-kommen ist;

● in wie vielen Parametern der KNN-Vorschlag zur Einstellung des Heim-beatmungsgerätes nicht innerhalbder Spannweite der Expertenmei-nungen lag (=„Anzahl der Beanstan-dungen“).

Die Spannweite der Expertenmeinun-gen hinsichtlich der für die „virtuellenPatienten“ eingesetzten Beatmungspa-rameter sah folgendermaßen aus: In-spirationsdruck 7–35 kPa, Atemzugvo-lumen 170–1000 ml, Beatmungsfre-quenz 10–30/min, Sauerstoffsupple-mentation <3 l/min, Flow 6–90 l/min,I:E-Verhältnis mit Inspirationszeitanteil<1,5.

Ergebnisse

Mahalanobis-Distanzen „Experte vs. Experten“

Die Zuverlässigkeit der KNN konntenur unter Berücksichtigung der Varia-bilität der Experteneinstellungen unter-einander eingeschätzt werden. Die Ein-stellungsunterschiede für die 5 Beat-mungsparameter des Experten X ge-genüber dem Experten Y ergaben provirtuellem Patienten eine Mahalanobis-Distanz (Einzeldistanz). Bei 10 „virtuel-len Patienten“ resultierten daraus10 Mahalanobis-Distanzen, deren Mit-telwert bestimmt wurde. Dieser reprä-sentierte den mittleren Unterschiedzwischen dem Experten X und dem Ex-perten Y für die Einstellung der Beat-mungsparameter für die 10 virtuellenPatienten (mittlere Mahalanobis-Dis-tanz). Da die Vergleichsgruppe für denjeweiligen Experten aus 9 anderen Ex-perten bestand, wurden aus Auswer-tungsgründen deren mittlere Mahala-nobis-Distanzen zusammengefasst(Mittelwert der mittleren Mahalanobis-Distanzen).

Die Auswertung erfolgte getrenntnach druck- und volumengesteuerter Be-atmung als jeweils 5-dimensionale Be-trachtung (da je 5 Beatmungsparametereinbezogen werden). Die später mit denExperten verglichenen KNN sollten Ma-halanobis-Distanzen ähnlichen Spek-trums aufweisen,um als zuverlässige Hil-fe für die Einstellung von Beatmungsge-räten zu gelten.

Die mittleren Mahalanobis-Distan-zen der Experten lagen im Volumen-steuerungsmodus zwischen 0,06 und0,14, im Mittel bei 0,11 (Tabelle 6). Dabeierstreckten sich die Einzeldistanzen von0,00–0,42. Im Drucksteuerungsmoduslagen die mittleren Mahalanobis-Dis-tanzen zwischen 0,07 und 0,17, im Mittelbei 0,11. Die jeweiligen Einzeldistanzenerstreckten sich von 0,00–0,43.

Visuelle Beurteilung der KNN-Vorschläge

Im Volumensteuerungsmodus gab esrein visuell für die KNN „s23-1-15 V“,„s12-1-10 V“, „s12-2-15 V“, „s12-1-20 V“,„q23-2-30 V“ und „q12-2-10 V“ bei allen10 virtuellen Patienten keine Beanstan-dungen (Tabelle 6). KNN „s12-1-30 V“fiel mit einer Beatmungsfrequenz von31,2/min auf, „s12-2-30 V“ mit einemAtemzugvolumen von 1036 ml und „q12-1-10“ mit 149 ml. 2 Beanstandungen lie-ferten die KNN „s23-2-15 V“ mit 163 bzw.1233 ml, „s12-2-20 V“ mit 1174 bzw.1031 ml, „q23-1-15 V“ mit 1010 bzw.1046 ml, „q12-1-30 V“ mit 169 bzw.1140 ml und „q12-2-15 V“ mit einemAtemzugvolumen von 90 ml und einerBeatmungsfrequenz von 30,4/min. ImDrucksteuerungsmodus zeigten dieKNN „s12-1-10p“ (ein Inspirationsanteilvon 1,65) und KNN „s12-1-30p“ (ein In-spirationsdruckvorschlag von 5,72 kPa)je eine Beanstandung, die KNN „q12-2-20p“ (4,6 bzw. 42,02 kPa Inspirations-druck) und „q12-1-10p“ (6,37 kPa Inspi-rationsdruck bzw. 1054 ml Atemzugvo-lumen) je 2 Beanstandungen für alle vir-tuellen Patienten (Tabelle 6).

Mahalanobis-Distanzen „KNN vs. Experten“

Für die Auswertung der Mahalanobis-Di-stanzen zwischen dem jeweiligen KNNund den 10 Experten galt Folgendes:

Die Einstellungsunterschiede für dieje 5 Beatmungsparameter eines KNN undeines Experten ergaben pro virtuellemPatienten eine Mahalanobis-Distanz(Einzeldistanz). Bei 10 virtuellen Patien-ten resultierten daraus 10 Mahalanobis-Distanzen, deren Mittelwert bestimmtwurde (mittlere Mahalanobis-Distanz).Dieser repräsentierte den mittleren Un-terschied zwischen dem jeweiligen KNNund einem Experten für die Beatmungs-einstellung von 10 virtuellen Patienten.

Da die Vergleichsgruppe für das je-weilige KNN aus 10 Experten bestand,wurde aus Auswertungsgründen derenmittlere Mahalanobis-Distanzen zusam-mengefasst (Mittelwert der mittleren Ma-halanobis-Distanzen), um somit einenVergleich des KNN mit der „mittleren Ex-pertenmeinung“ durchführen zu können.Die Auswertung erfolgte getrennt nachdruck- und volumengesteuerter Beat-mung als jeweils 5-dimensionale Betrach-

Heimbeatmung


tung. Im Druck- und Volumensteue-rungsmodus lag der Mittelwert der mitt-leren Mahalanobis-Distanzen bei 0,11 miteiner Spannweite von 0,08–0,14.

Wie aus Tabelle 6 ersichtlich, zeig-ten 10 der 40 KNN gleiche bzw. ähnlicheMahalanobis-Distanzen wie die der Ex-perten.

Im Volumensteuerungsmodus liefer-ten dabei die KNN mit sigmoider Trans-ferfunktion „s23-2-15“, „s12-1-20“ und„s12-2-30“ neben den geforderten Maha-lanobis-Distanzen gleichzeitig sinnvolleBeatmungseinstellungen mit maximal2 Beanstandungen für alle virtuellen Pa-tienten. Keines der KNN mit quadrati-scher Transferfunktion erbrachte dieseLeistung.Im Drucksteuerungsmodus lie-ferte das KNN „s12-1-10“ mit sigmoiderTransferfunktion Mahalanobis-Distan-zen im geforderten Spektrum und er-brachte in der visuellen Beurteilung derBeatmungsvorschläge für alle 10 virtuel-

len Patienten nur eine Beanstandung.KNN mit quadratischer Transferfunkti-on boten keine Beanstandungen <3, ge-koppelt mit den geforderten Mahalano-bis-Distanzen. Die Variation der KNN-Architektur bei Inputanzahl, Anzahl derHidden-Schichten und Anzahl der Neu-rone pro Hidden-Schicht zeigte – gemes-sen an den Veränderungen der Mahala-nobis-Distanzen – keinen Einfluss auf dieZuverlässigkeit der KNN-Einstellungen.

In Abb. 2 sind die Ergebnisse allerberechneten Mahalanobis-Einzeldistan-zen aus dem Vergleich „KNN vs. Exper-ten“ bzw. „Experten vs. Experten“, ge-trennt nach Druck- und Volumensteue-rungsmodus bzw. KNN-Transferfunkti-on, in Boxplots zusammengefasst.Auffäl-lig ist die Ähnlichkeit der Wertespektrenzwischen den verglichenen Gruppen al-lein schon vom visuellen Aspekt her.

Somit sind für die volumengesteuer-te Beatmung geeignet das KNN „s12-1-20“

(keine Beanstandungen in visueller Be-urteilung, akzeptable Mahalanobis-Di-stanzen), alternativ die KNN „s23-2-15“und „s12-2-30“ und für die druckgesteu-erte Beatmung das KNN „s12-1-10“ (1 Be-anstandung in visueller Beurteilung, ak-zeptable Mahalanobis-Distanzen).

Diskussion

Hintergrund für den Einsatz von KNNzur Beatmungseinstellung an Heimbe-atmungsgeräten war die Überlegung,durch sie eine zuverlässige, optimale so-wie schnellere Einstellung des Patientenauf die Beatmung zu ermöglichen. Nichtohne Bedeutung ist die Tatsache, dasswenig erfahrenen Ärzten durch KNN einAnhalt für Beatmungseinstellungen ge-geben wird und Studenten frühzeitig andie anspruchsvolle Problematik der Be-atmung (z. B. durch Simulation) heran-geführt werden können.

Tabelle 6Beurteilung der Zuverlässigkeit der künstlichen neuronalen Netze (KNN) bei der Einstellung von Heimbeatmungsgeräten im Vergleich zu Expertenmeinungena

Expertenmittelwerte der Volumensteuerung Drucksteuerungmittleren Mahalanobis- 0,11 (0,06–0,14) 0,11 (0,07–0,17)Distanzen (Range)

Anzahl KNN sigmoide KNN quadratische Anzahl KNN sigmoide KNN quadratische Beanstandungen Transferfunktion Transferfunktion Beanstandungen Transferfunktion Transferfunktion

KNN mit mittleren s23-2-15 V q23-2-20 V s12-1-10p q12-1-30pMahalanobis-Distanzen (0,09–0,12) (0,10–0,13) (0,09–0,14) (0,08–0,14)von 0,11 (Range) s12-1-20 V q12-1-15 V

(0,10–0,13) (0,08–0,13)s12-1-25 V q12-2-20 V(0,08–0,13) (0,09–0,12)s12-2-25 V(0,10–0,14)s12-2-30 V(0,10–0,13)

KNN-Einstellungen 0 s23-1-15 V q23-2-30 V 0visuell beurteilt s12-1-10 V q12-2-10 V

s12-2-15 Vs12-1-20 V

1 s12-1-30 V q12-1-10 V 1 s12-1-10ps12-2-30 V s12-1-30p

2 s23-2-15 V q23-1-15 V 2 q12-2-20ps12-2-20 V q12-2-15 V q12-1-10p

q12-1-30 V

a Vergleich Experten vs. verschiedene KNN-Architekturen mittels Mahalanobis-Distanzen. Der rechnerische Vergleich mittels Mahalanobis-Distanzen kommt denvisuellen Einschätzungen der Beatmungsvorschläge sehr nahe, d. h. die Beurteilung der KNN-Vorschläge anhand der Expertenmeinungen entsprechen weitgehendden Mittelwerten der mittleren Mahalanobis-Distanzen ausgewählter KNN-Typen. (Anzahl der Beanstandungen=Anzahl von Beatmungsparametern, die durch dasKNN abweichend von klinischer Erfahrung und den Expertenmeinungen vorgeschlagen wurden)s sigmoide Transferfunktion; q quadratische Transferfunktion; V Volumensteuerung; p Drucksteuerung; Beispiel: s23-1-15 V=KNN mit sigmoider Transferfunktion23 Inputs und 1 Hidden-Schicht mit 15 Neuronen für Volumensteuerungsmodul


In der Heimbeatmung sollen KNN denArzt nicht ersetzen, sondern ihm eineHilfe für eine rasche und zuverlässigeEntscheidungsfindung sein.

Einziger Anhaltspunkt für die Kombina-tion von KNN und Beatmung war dieArbeit von Snowden et al. [28] aus demJahre 1993, der KNN für Beatmungsvor-schläge bei IPPV-beatmeten Neugebo-renen einsetzte und sie mit einem aufExpertenwissen basierenden System(ESNIC) verglich. 184 Beatmungsbei-spiele kamen für Training und Testungzum Einsatz. Verschiedene Architektu-ren wurde entwickelt, das vorgestellteFeedforward-KNN enthielt 8 Inputneu-rone, 2 Hidden-Schichten mit je 50 Neu-ronen sowie 5 Outputneurone.

Input beider Systeme waren die Pa-rameter

● In- und Exspirationszeit,● inspiratorischer Spitzendruck,● PEEP,● Sauerstoffanteil der Einatemluft bei

vorheriger Geräteeinstellung,● pH-Wert,● Sauerstoff- sowie Kohlendioxidpar-

tialdruck des Blutes.

Als Outputvariablen dienten die Beat-mungsparameter

● PEEP,● inspiratorischer Spitzendruck,● In- und Exspirationszeit sowie● Sauerstoffanteil der Einatemluft.

Beim Vergleich der Beatmungseinstellun-gen wichen lediglich die Vorschläge desKNN für die Exspirationszeit von ESNICsignifikant ab.

Aufgrund der relativ geringen Anzahlan Patienten im Bereich der Heimbeat-mung und des kurzen Untersuchungszeit-raumes war es nicht möglich, trotz Zu-sammenarbeit mit 2 weiteren Zentren,eine größere Zahl Patienten zu rekrutie-ren.Das Training der KNN mit einer Pati-entenzahl von 29 und den daraus resultie-renden 105 Protokollen war zwar möglich,erstrebenswert wäre jedoch eine größereZahl an Patienten.Die vorliegende Patien-tengruppe zeigt eine sehr inhomogeneVerteilung bzgl.Alter,Erkrankung,Medi-kation und inspiratorischer Vitalkapazi-tät. Patienten mit chronisch obstruktiverLungenerkrankung, amyotropher Late-ralsklerose und McCune-Albright-Syn-drom [30] waren anteilig in dieser Grup-pe unterrepräsentiert.

Die Auswahl der Parameter für dieInputs erfolgte aufgrund pathophysiolo-gischer Überlegungen und klinischer Er-fahrungen.Statistische Verfahren zur Prü-fung, ob der Informationsgehalt der In-putparameter für diese Auswahlprozedurrelevant ist,wurden nicht angewendet.Dieumfangreichen klinischen und anamnes-tischen Daten, die in den Protokollen er-fasst wurden, zeigten enge Zusammen-hänge mit den pCO2-Werten der Patien-ten [29].

Eine durchaus akzeptable Möglich-keit, die Zuverlässigkeit der KNN zu be-urteilen,ist der Vergleich mit Vorschlägenzu Beatmungseinstellungen von Exper-ten aus dem Bereich der Heimbeatmung.Ein Vergleich der Einstellungen mit ei-nem wie von Snowden [28] beschriebe-nen Expertensystem (ESNIC) war nichtmöglich, da ein ähnliches System für dieHeimbeatmung nicht existiert.Für weite-re Studien wäre ein Vergleich der KNNmit linearen Strukturgleichungssystemen(mehrdimensionale Regression mit la-tenten Variablen) [10] zu erwägen.

Für das Training der KNN wurdendie Daten der erhobenen 105 Protokolleverwendet. Die vorhandenen Datenwurden nicht – wie häufig in der Litera-tur vorgeschlagen – in einem bestimm-ten Verhältnis in Trainings- und Testda-tensatz gesplittet [4, 24]. Diese Methodewäre für große Datensätze geeignet,birgt jedoch die Gefahr, dass die zufälli-ge Zuteilung von Fällen in die beidenDatensätze zu Verzerrungen durchÜber- oder Unterrepräsentation be-stimmter Gruppen führt [31].

Eine weitere Möglichkeit nach De-voe und Lapeer ist die Aufteilung der ge-

Abb. 2 � Vergleich zwischen KNN und Experten und der Experten untereinander mit den zugehöri-gen Mahalanobis-Distanzen

samten Daten in je einen Trainings-,Va-lidierungs- und Testdatensatz [8, 17] oderdie „Cross-validation“-Methode [14, 24,31], die besonders gut bei kleinem Um-fang von Daten anwendbar ist und beider alle verfügbaren Muster für Trainingund Testung genutzt werden (Beispiel:20 Datensätze: je 19 Datensätze werdenangelernt,der 20.solange getestet,bis alleDatensätze einmal die Position des20.Testdatensatzes übernommen haben)[31]. Im Gegensatz dazu ist der Einsatzvon 10 „virtuellen Patienten“ aufgrundder verzerrten Verteilung der Daten undgeringen Patientenzahl kein optimalerTestdatensatz. Aufgrund der begrenztenAnzahl an Patienten in dieser Studie bie-tet diese Variante jedoch eine möglicheLösung des Problems.

Die Bewertung der Beatmungsein-stellungen von KNN und Experten wur-de aufgrund der Komplexität und Mehr-dimensionalität des Vergleiches mittelsMahalanobis-Distanzen durchgeführt. Inder Literatur sind keine ähnlichen Ver-gleichsmethoden für KNN beschrieben.Nicht die quantitative Aussage der Ma-halanobis-Distanzen stand im Vorder-grund, sondern die Frage, ob die mit derMeinung der Experten verglichenenKNN-Einstellungen zumindest ähnliche,möglichst jedoch gleiche Mahalanobis-Distanzen zeigen.

Präzise Angaben für den richtigenAufbau und die Garantie eines suffizientarbeitenden KNN existieren bisher nicht.

Experimente mit der Anordnung derNetzwerkkomponenten wurden in der Li-teratur häufig beschrieben [4, 12, 14]: Va-riationen in der Anzahl der Inputparame-ter [2, 4, 9] oder in der Anzahl von Hid-den-Schichten bzw. deren Neuronenan-zahl [2, 4, 5, 9, 28, 31]. Die Reduktion derInputanzahl von 23 auf 12 Parameter inder vorliegenden Arbeit erfolgte anhandder allgemeinen Empfehlung,die Zahl derInputparameter so klein wie möglich zuwählen [14, 24]. Allgemein gilt, dass einegroße Anzahl an Hidden-Schichten oderderen Neurone die Trainingszeit verlän-gert und den Trainingserfolg durch Ver-lust der Fähigkeit zur Verallgemeinerungverschlechtert [2, 16]. Deshalb wurde dieAnzahl an Hidden-Schichten in dieserUntersuchung bewusst auf 1 bzw. 2 be-schränkt.

In dieser Studie war jedoch die Zu-verlässigkeit der KNN-Einstellungennicht abhängig von der Netzwerkarchitek-tur, gemessen an den Veränderungen der

123

Hier steht eine Anzeige

This is an advertisement


Mahalanobis-Distanzen.Trotzdem solltenin Anbetracht des geringeren technischenund zeitlichen Aufwandes KNN-Architek-turen mit möglichst geringer Input- sowieHidden-Schicht-Anzahl und geringerNeuronenzahl pro Hidden-Schicht bevor-zugt werden.

Fazit für die Praxis

Die Ergebnisse der Arbeit zeigen, dass esmöglich ist, für das komplexe Gebiet derHeimbeatmung KNN zu konfigurieren, zutrainieren und sie erfolgreich – wenn auchnoch nicht an realen Patienten – anzuwen-den. Es ist deshalb erstrebenswert, weitereUntersuchungen auf diesem Gebiet durch-zuführen. Die Ergebnisauswertung mittelsMahalanobis-Distanzen ist zeitaufwändigund wenig geläufig, aber mathematisch fürden Vergleich „KNN vs. Experten“ geeignet.Vor weiteren Studien und Anwendungenvon KNN sollte eine genaue Kosten-Nutzen-Analyse erwogen werden, da durchEntwicklung,Training,Testung und Einfüh-rung erhebliche zeitliche, personelle, tech-nische und finanzielle Aufwendungen ent-stehen können.Weitere prospektive Studi-en müssen zeigen, ob die hier geschaffe-nen Modelle – in dieser oder abgewandel-ter Form – für reale Patienten in ärztlichfestgelegten Grenzen und mit ensprechen-den Alarmfunktionen eine sichere Beat-mungseinstellung an Heimbeatmungsge-räten zulassen oder eine weiterentwickelteVariante der KNN in anderen Bereichen derBeatmung, z. B. in der Intensiv- oder Ret-tungsmedizin, möglich ist. Als Zwischenzielwird die künftige Integration der KNN inein so genanntes Expertensystem gesehen.Angedacht ist dabei die Schaffung einerkleinen, übersichtlichen und computer-kompatiblen Benutzeroberfläche, die mitHilfe von Inputparametern realer Patientendirekt am Patientenbett oder als Bestand-teil der Telemedizin Beatmungsvorschlägeerzeugen soll. Angestrebt wird die Integra-tion der KNN in dafür geeignete Beat-mungsgeräte. Das offene System ist dabeizu bevorzugen, da der Arzt eine nicht kor-rekte Beatmungseinstellung korrigierenkann. Die KNN-Integration im Sinne einesgeschlossenen Systems wäre zurzeit ver-früht. Nach eingehender klinischer Erpro-bung und Etablierung der KombinationKNN/Beatmungsgerät, durch Einsatz zu-sätzlicher Sensorik (z. B. pCO2-Messung)und Optimierung der Beatmungsgeräte für

eine KNN-Kopplung wäre in weiterer Zu-kunft jedoch die Anwendung von KNN alsClosed-loop-System in Beatmungsgerätendurchaus vorstellbar.

Danksagung Wir danken folgenden Kollegin-nen und Kollegen, die die „virtuellen Patien-ten“ auf eine Heimbeatmung einstellten: Dr.S. Buttenberg (Berlin), Prof. Dr. C. P. Criée(Göttingen), Dr. H. Hein (Großhansdorf), Dr.O.Karg (Gauting),Dr.S.Heindl (Gauting),Dr.F. Schmidt (Dresden), Dr. B. Schönhofer(Schmallenberg),Dr.M.Wiebel (Heidelberg),PD Dr. G. Laier-Groeneveld (Erfurt), Prof. Dr.K. Rasche (Bochum).

Literatur1. Al-Fahoum AS, Howitt I (1999) Combined wavelet

transformation and radial basis neural networksfor classifying life-threatening cardiac arrhythmi-as. Med Biol Eng Comput 37: 566–573

2. Azuaje F, Dubitzky W, Lopez P, Black N,Adamson K,Wu X,White JA (1999) Predicting co-ronary disease risk based on short-term RR inter-val measurements: a neural network approach.Artif Intell Med 15: 275–297

3. Barois A, Estournet-Mathiaud B (1992) Ventilatorysupport at home in children with spinal muscularatrophies (SMA). Eur Respir Rev 2: 319–322

4. Baxt WG (1990) Use of an artificial neural networkfor data analysis in clinical decision-making: thediagnosis of acute coronary occlusion. NeuralComput 2: 480–489

5. Brigatti L, Nouri-Mahdavi K,Weitzman M, CaprioliJ (1997) Automatic detection of glaucomatous vi-sual field progression with neural networks. ArchOphthalmol 115: 725–728

6. Chattaway T, Montague GA, Morris AJ (1993) Fer-mentation monitoring and control. In: Rehm HJ,Reed G, Pühler A, Stadler P (eds) Biotechnology.VCH,Weinheim New York, pp 333–339

7. DasGupta S (1998) Mahalanobis distance. In: Ar-mitage P, Colton P (eds) Enzyclopaedia of biostati-stics.Wiley & Sons, Chichester, pp 2369–2372

8. Devoe LD, Samuel S, Prescott P,Work BA (1996)Predicting the duration of the first stage of spon-taneous labor using a neural network. J MaternFetal Med 5: 256–261

9. Fukushima N, Shinbata H, Hasebe T,Yokose T, SatoA, Mukai K (1997) Application of image analysisand neural networks to the pathology diagnosisof intraductal proliferative lesions of the breast.Jpn J Cancer Res 88: 328–333

10. Funke J (2001) Neue Verfahren zur Erfassung desintelligenten Umgangs mit komplexen und dyna-mischen Anforderungen. In: Stern E, Guthke J(Hrsg) Perspektiven der Intelligenzforschung. EinLehrbuch für Fortgeschrittene. Pabst Science Pu-blishers, Berlin Riga Rom Wien Zagreb

11. Givan DC (2000) Sleep and breathing in childrenwith neuromuscular disease. In: Loughlin GM, Car-roll JL, Marcus C (eds) Sleep and breathing inchildren. Dekker, New York, S 691–735

12. Gross GW, Boone JM, Bishop DM (1995) Pediatricskeletal age: determination with neural networks.Radiology 195: 689–695

13. Hüsler J, Zimmermann H (2001) Analyse multiva-riater Daten. In: Hüsler J, Zimmermann H (Hrsg)Statistische Prinzipien für medizinische Projekte.Huber, Bern Stuttgart Toronto, S 237–240

14. Ikeda M, Ito S, Ishigaki T,Yamauchi K (1997) Eva-luation of a neural network classifier for pancrea-tic masses based on CT findings. Comput MedImaging Graph 21: 175–183

15. Karakitsos P, Pouliakis A, Koutroumbas K, StergiouEB,Tzivras M, Archimandritis A (2000) Neural net-work application in the discrimination of benignfrom malignant gastric cells. Anal Quant Cytol His-tol 22: 63–69

16. Katz WT, Snell JW, Merickel MB (1992) Artificialneural networks. Methods Enzymol 210: 610–636

17. Lapeer RJA, Dalton KJ, Prager RW, Forstström JJ,Selbmann HK, Derom R (1995) Application ofneural networks to the ranking of perinatal varia-bles influencing birthweight. Scand J Clin Lab In-vest Suppl 222: 83–93

18. Makhoul J (1990) Artificial neural networks. InvestRadiol 25: 748–750

19. McGonigal MD, Cole J, Schwab W, Kauder DR, Ro-tondo MF, Angood PB (1993) A new approach toprobability of survival scoring for trauma qualityassurance. J Trauma 34: 863–868

20. Micheli-Tzanakou E, Sheikh H, Zhu B (1997) Neuralnetworks and blood cell identification. J Med Sys21: 201–210

21. Paditz E (1994) Nächtliche nasale Maskenbeat-mung im Kindesalter. Pneumologie 48: 744–749

22. Reinken L, Oost G van (1992) Longitudinal physi-cal development of healthy children 0 to 18 yearsof age. Body length/height, body weight andgrowth velocity. Klin Pädiatr 204: 129–133

23. Schier R (1993) Neural networks. Radiology 191:291

24. Schwarzer G,Vach W, Schumacher M (2000) Onthe misuses of artificial neural networks for pro-gnostic and diagnostic classification in oncology.Stat Med 19: 541–561

25. Seufert R,Woernle F, Casper F (2000) Die compu-tergestützte Kardiotokographieanalyse – Von derDeskription zum perinatologischen Expertensys-tem. Zentralbl Gynakol 122: 328–333

26. Sherman ME, Schiffman M, Herrero R, Kelly D, Brat-ti C, Mango LJ, Alfaro M, Hutchinson MJ, Mena F,Hildesheim A, Morales J, Greenberg MD, Balmace-da I, Lorincz AT (1998) Performance of an semiau-tomated Papanicolaou smear screening system.Cancer 84: 273–280

27. Shufflebarger CM (1992) What is a neural net-work? Ann Emerg Med 21: 1461–1462

28. Snowden S, Brownlee KG, Smye SW, Dear PRF(1993) An advisory system for artificial ventilationof the newborn utilizing a neural network. MedInform 18: 367–376

29. Twork S, Paditz E, Usicenko S, Mellies U, Ragette R,Bickhardt J(2001) Stellenwert der Anamnese inder Diagnostik der respiratorischen Insuffizienzbei Patienten mit neuromuskulären Erkrankun-gen und Thoraxdeformitäten.Wien Klin Wochen-schr 113: 224–228

30. Usicenko S, Paditz E, Egmond-Fröhlich A van, Hüls-kamp G (2001) Nichtinvasive nasale Maskenbeat-mung bei McCune-Albright-Syndrom infolge ei-ner akuten Pneumonie. Monatsschr Kinderheilkd4: 149

31. Zhang G, Berardi VL (1998) An investigation ofneural networks in thyroid function diagnosis. He-alth Care Manag Sci 1: 29–37

Documents

K�nstliche neuronale Netze zur Steuerung von Heimbeatmungsger�ten