Analyse von Bewusstseinszuständen im Gehirn

Mit Datenanalyse und maschinellem Lernen hat eine Systemtechnik-Studierende die Merkmale von Bewusstsein auf der Ebene des Hirns untersucht.

Um einen Patienten für eine Operation in den Narkosezustand zu versetzen, muss von einem Anästhesisten bestimmt werden, welche Dosis des Narkosemittels verabreicht werden muss. Eine sichere Bestimmung der Narkosetiefe liegt aber ausserhalb der Möglichkeiten derzeitiger Standardüberwachungssysteme. So kann es vorkommen, dass der Patient nicht in einen vollkommenen Narkosezustand gelangt, was zu Erinnerungen an die Operation und dadurch zu starken psychosomatischen Schäden führen kann. Dieses Phänomen wird als intraoperative Wachheit bezeichnet und gilt es zu verhindern.

Die Gehirnaktivität von verschiedenen Probanden in mehreren Stufen der Narkosetiefe von leichter bis tiefer Narkose während Sevoflurananästhesie wurde in Form von EEG-Werten analysiert und in die beiden Zustände "wach" und "Narkose" eingeteilt. Weiter wurden Klassifikationsmethoden verglichen, die mit diesen Werten ein Modell bilden können, anhand dessen der Bewusstseinszustand von neuen Patienten bestimmt werden kann.

Bei der Klassifikation der Daten können vier verschiedene Fälle entstehen: "richtig negativ", "richtig positiv", "falsch negativ" und "falsch positiv". Dabei muss hauptsächlich der Klassifikationsfall "falsch negativ" zur Verhinderung der intraoperativen Wachheit minimiert werden. Die besten Klassifikationsergebnisse wurden mit der Methode „Support Vector Machine“ mit additionaler Unterteilung der Probandendaten erzielt. Die Fehlklassifikationsrate konnte so auf 9.4% herabgesetzt werden.

Projekt-Informationen

• Auftraggeber: Klinikum rechts der Isar, TU München
• Ausführung: Melanie Brügger
• Betreuung: Prof. Dr. Marcel Steiner-Curtis