Erkennung von intraoperativen Zwischenfällen in der Tiermedizin auf Basis von KI (ERIZT)

Bei Operationen in der Tiermedizin liegt der behandelnden Ärzteschaft meist nur eine begrenzte Datenmenge vor, da diese naturgemäß seltener durchgeführt werden als dies bei Menschen der Fall ist. Dennoch müssen Vorhersagen von Zwischenfällen sehr genau und zudem transparent und nachvollziehbar sein, da jede Entscheidung das Tierwohl unmittelbar betrifft.

Alle Daten, die während der OP auf Überwachungsgeräten aufgezeichnet werden, müssen zunächst in ein für Machine Learning zugängliches Format konvertiert werden. Anschließend werden die konvertierten Daten vorverarbeitet, indem z. B. fehlerhafte Einträge korrigiert bzw. gelöscht und neue Attribute, die anschließend für den Trainingsprozess nutzbringend sein könnten, erstellt werden. Auf dieser Grundlage wird eine Vielzahl von Machine Learning-Algorithmen bezüglich ihrer Eignung für den späteren Produktiveinsatz ausgewertet.

Als Ergebnis wurde die prototypische Realisierung eines Machine Learning-Modells angestrebt, das die Machbarkeit des Vorhabens demonstriert. Die entwickelte KI soll mit hoher Genauigkeit und möglichst frühzeitig, unter Beachtung von Transparenzgeboten, intraoperative Zwischenfälle erkennen. Neben dieser Kernkomponente wurde auch eine Vorgehensweise von der Datenerfassung bis zur Realisierung des KI-Modells entwickelt und verbessert.

Als wesentliche Erkenntnis aus dem Projekt ergab sich, dass die statistischen Verfahren nur bedingt geeignet waren, da diese über den derzeitigen Verlauf einer Zeitreihe hinaus schlecht generalisieren. Deep-Learning-Verfahren, die über mehrere Operationen hinweg generalisieren, erreichten eine bessere Performanz, deren Ergebnisse wurden im Rahmen von Expertengesprächen mit Tierärztinnen und -ärzten als gut bewertet.