Motivation
Der zunehmende Anteil der älteren Bevölkerung führt zu einer steigenden Anzahl an Menschen, die an einer terminalen Herzinsuffizienz leiden. Als terminale Herzinsuffizienz bezeichnet man ein Stadium der Herzleistungsfähigkeit, in dem es so schwer geschwächt ist, dass die Pumpfunktion gerade noch ausreicht, um den Körper am Leben zu halten. Aufgrund eines Mangels an Spenderorganen löst daher die Implantierung von mechanischen Herzunterstützungssystemen (engl. Ventricular Assist Device, VAD) schon heute die Herztransplantation als Therapie der terminalen Herzinsuffizienz ab.
Ziele und Vorgehen
Im Projekt LeRntVAD soll ein synthetisches, d.h. ein auf künstlich erzeugten Daten basierendes, Simulationsmodell für das Herz-Kreislauf-System erstellt werden. Als Basis dient eine bestehende Datenbank mit den Daten aus 46 Tierversuchen an Schweinen aus dem Projekt „Smart Life Support 2.0“, das durch die DFG gefördert wurde. Dieses Modell wird in der Anwendung genutzt, um einen auf künstlicher Intelligenz (KI) basierten Regler für linksseitige VADs zu entwerfen. Ein KI-Regler (Steuerungsalgorithmus) erweitert das Spektrum der bestehenden klassischen Regler dahingehend, dass auf die direkte Messung im Patienten verzichtet werden kann.
Innovationen und Perspektiven
Der Lehrstuhl Maschinelles Lernen der Universität Bielefeld beschäftigt sich mit der Entwicklung der Kern-ML-Methodik des intuitiven Zugangs zu generativen Modellen. Ein generatives Modell beschreibt, wie ein Datensatz im Rahmen eines Wahrscheinlichkeitsmodells erzeugt wird. Die synthetisierten Zeitreihen aus diesen Datenmodellen bilden die Lerndaten eines KI-Reglers, der am Institut für Regelungstechnik der RWTH Aachen entwickelt wird. Die physiologische Bewertung der erzeugten Daten zur Bewertung des KI- Reglers erfolgt durch das Universitätsklinikum Aachen. Zudem wird hier abschließend eine reduzierte Anzahl von Tierversuchen zur Validierung durchgeführt. Durch ein kontinuierliches Feedback können die klinischen Experten die Interpretierbarkeit der generierten synthetischen Zeitreihen bewerten. Mit der Anwendung im Tierversuch kann die Regelgüte des KI-Reglers in einem hochkomplexen biologischen System evaluiert werden. Damit die Datensynthese erfolgreich Lerndaten generiert, muss eine Integration des Reglers in die Struktur des generativen Modells erfolgen.