OP-Datenfusion

Intelligente medizinische Instrumente:
Datenfusion von Chirurgie und Anästhesie im OP

Einleitung und Motivation

In Krankenhäusern kommt der chirurgischen Abteilung eine hohe Bedeutung zu, da sie eine enge Zusammenarbeit und Vernetzung verschiedener medizinischer Disziplinen erfordert. Seit einiger Zeit führt der Trend zu integrierten OP-Sälen, in denen medizinische Geräte technisch miteinander vernetzt sind und welche dem klinischen Nutzer die komplette Kontrolle über Umgebungs- und Geräteeinstellungen ermöglicht. Diverse Displayinhalte können angezeigt und eingriffsbezogene Daten digital verwaltet werden. Zudem wird die Möglichkeit geschaffen, Daten aus verschiedenen Blickwinkeln und mit unterschiedlichen Zielsetzungen zu analysieren und darzustellen. Die verfügbaren, integrierten OP-Systeme sind bisher als geschlossene Systeme gestaltet. Eine Verknüpfung nebeneinander koexistierender Systeme unterschiedlicher Hersteller z.B. Anästhesiearbeitsplätze und OP-Infrastruktur wird hierdurch erschwert. Bei der Datenfusion sollen Kliniker bei Entscheidungsfindungen unterstützt werden und aus vielen Einzeleindrücken soll ein einheitliches, komprimiertes Bild des individuellen Patienten erzeugt werden.

Ziele des Projektes

  • Erhebung und Aufzeichnung von Gerätedaten in einem chirurgischen Operationssaal des Klinikums unter Einschluss der Anästhesiegeräte
  • Robuste Datenanalyse von OP-Geräten und Anästhesie-Informationen, welche auch zur OP-Phasenerkennung verwendet werden können
  • Realisierung einer eingriffsorientierten Monitorfunktion, um den Chirurgen und Anästhesisten die relevanten Informationen darzustellen

Erste Ergebnisse

Der Schwerpunkt der vorherigen Arbeit liegt auf der Phasenerkennung in laparoskopischen Operationen. Phasenerkennung bei zwei Arten von laparoskopischen Operationen, nämlich Cholezystektomie und Sigmaresektion wurde auch untersucht. A Convolutional Neural Network (CNN) mit klassische Hidden Markov Model wurden verwendet, die Phasenerkennung mit laparoskopischen Videos durchzuführen.

Die Genauigkeit der Phasenerkennung im Offline- und Online-Modus bei der Cholezystektomie war 86% bzw. 76%.

Kontakt

Prof. Dr. Knut Möller
Hochschule Furtwangen
Institut für Technische Medizin
Tel. 07720 307-4390
moe@hs-furtwangen.de