Data Analysis in respiratory physiology : Model detection, parameter extraction and prediction methods for lung protective ventilation

Eine der wichtigsten lebenserhaltenden Maßnahmen in der Intensivmedizin ist die mechanische Beatmung der Lunge. Bei inadäquater Einstellung des Beatmungsgerätes können jedoch Lungenschäden induziert oder verstärkt werden. Daher ist es ist das Ziel lungenprotektiver Beatmungsstrategien, den mechanischen Stress, dem die Lunge während der Beatmung ausgesetzt ist, zu reduzieren. Um solche Beatmungsstrategien entwickeln zu können, ist das Wissen über die physiologischen und mechanischen Zusammenhänge und Wechselwirkungen in der Lunge eine wesentliche Voraussetzung. In klassischen Ansätzen aus der Biomedizintechnik wird organspezifisches Vorwissen über mechanische und physiologische Zusammenhänge zur Modellierung des Organs verarbeitet. Mit Hilfe dieser Modelle können die Werte einzelner Modellparameter in Abhängigkeit bestehender Randbedingungen berechnet werden. Während diese Art der Modellbildung vorwiegend auf numerischen Methoden basiert, ermöglichen Ansätze aus dem ”Machine Learning“ und ”Knowledge Discovery in Databases“ die Vorhersage von Parametern mittels statistischer Methoden. Hier können die Vorhersagen auf Basis von Merkmalen getroffen werden, die nicht unmittelbar ersichtlich in Wechselwirkung zueinander stehen und über die es unter Umständen auch noch keine gesicherten Erkenntnisse gibt. Die vorliegende Arbeit untersucht die Atemmechanik des Menschen unter mechanischer Beatmung mit Methoden aus der Biomedizintechnik, der ”Knowledge Discovery in Databases“ und dem ”Machine Learning“. In allen vorgestellten Analysen werden Zeitreihendaten verwendet, die am beatmeten Patienten akquiriert wurden. Mittels klassischer Methoden aus der Biomedizintechnik wird die Relaxation der Lunge nach zuvor induziertem mechanischem Stress untersucht, um Rückschlüsse auf den Energietransfer zwischen dem Beatmungsgerät und der Lunge zu ziehen. In einem ”Equation Discovery“ Ansatz werden Lungenmodelle auf Basis von vorher definierten Bedingungen für die Modellstruktur erstellt und mittels einer Heuristik qualitativ beurteilt. Dieser Ansatz ermöglicht die Konstruktion von Lungenmodellen mit und ohne Hintergrundwissen. In einem dritten Ansatz werden statistische Methoden aus dem maschinellen Lernen zur Vorhersage der druckabhängigen, nicht-linearen Volumendehnbarkeit der Lunge (”Compliance“) verwendet. Zur Vorhersage werden Gauß’sche Prozesse verwendet, ein nicht-parametrischer Modellbildungsansatz für nicht-lineare Funktionen. In dem hier vorgestellten medizinischen Problemfeld bietet dieser Ansatz eine Methodik, die die Prädiktion beatmungsrelevanter Lungenparameter für eine auf den individuellen Patienten abgestimmte Beatmungsstrategie ermöglichen soll.In intensive care medicine, mechanical ventilation is one of the most important life-sustaining-therapies. However, an inadequate adjustment of the ventilator can induce or aggravate lung damages. Therefore, it is the aim of lung protective ventilation strategies to reduce the mechanical stress which the lung is exposed to during mechanical ventilation. To develop such strategies, the knowledge of physiological and mechanical interrelations and interactions is an essential prerequisite. In classical approaches from the field of biomedical engineering, organospecific prior knowledge about mechanical and physiological interrelations is used to model the organ. By means of such models, the values of particular model parameters can be calculated subject to existing boundary conditions. While this type of modeling is primarily based on numerical methods, approaches from the field of machine learning and knowledge discovery in databases allow to predict such parameters by statistical methods. Here, the predictions can be made on the basis of features, which do not correlate in an obvious way and for which possibly no verified knowledge exists. The presented work investigates respiratory mechanics of the human lung under the condition of mechanical ventilation with methodologies from biomedical engineering, knowledge discovery in databases and machine learning. In all presented analyses, time series data acquired from mechanically ventilated patients are used. Relaxation processes within the lung after priorly induced mechanical stress are investigated by classical methods from the field of biomedical engineering. Such analyses are performed to draw conclusions with respect to the energy transfer between the ventilator and the lung. In the context of an equation discovery approach, lung models are generated on the basis of preliminarily defined constraints with respect to the model structure and are qualitatively evaluated by use of a heuristic. This approach enables the construction of lung models with or without prior knowledge. In a third approach, statistical methods from the field of machine learning are used to predict the pressure dependent, nonlinear compliance (volume distensibility) of the lung. The prediction task is solved by Gaussian processes, a nonparametric modeling approach for nonlinear functions. In the presented medical problem domain this approach provides a methodology that should allow for the prediction of parameters relevant for a patient specific adjustment of the ventilation strategy