In diesem Projekt soll eine präzise Vorhersage des Defibrillationserfolgs mittels Few-Shot Learning erreicht werden, um aussichtslose und damit potenziell schädliche Defibrillationen zu vermeiden.
Projektziele
Eine erfolgreiche elektrische Defibrillationstherapie ist zur Wiederbelebung bei Herz-Kreislaufstillstand überlebenswichtig. Idealerweise wird mit einer einzigen Defibrillation ein geordneter (d.h. lebenserhaltender) Herzrhythmus wiederhergestellt, da wiederholt erfolglose Defibrillationen zu Verletzungen des Herzmuskels und dadurch bedingten, irreversiblen Folgeschäden führen können.
Die genaue Vorhersage der Erfolgswahrscheinlichkeit einer Defibrillation könnte folglich die Anzahl der abgegebenen Schocks auf ein Minimum reduzieren, um insgesamt die Überlebenschancen bei einer Wiederbelebung nach einem Herz-Kreislaufstillstand zu erhöhen. Da regelbasierte Ansätze bislang zu ungenau waren, wurde zur Berechnung der Erfolgswahrscheinlichkeit verstärkt auf Methoden des maschinellen Lernens zurückgegriffen. Aufgrund einer generell geringen Menge an verfügbaren Defibrillationsdaten blieben diese Ansätze jedoch bisher ebenfalls unter ihren Möglichkeiten.
Few-Shot Learning (FSL) bietet eine vielversprechende Alternative, auch mit den sehr kleinen verfügbaren Datenmengen effizient performante Modelle zu trainieren. Das Ziel besteht demnach darin, eine präzise Vorhersage des Defibrillationserfolgs mittels FSL zu erreichen. Dafür kommt der Service Few Shot Learning in der Medizin – Lernen mit kleinen Datenmengen zum Einsatz.
Förderung
BMBF-Förderung Mikroprojekt, SDI-S 2. Call (Laufzeit 2023/2024, Dauer ca. 6 Monate)
Projektpartner
corpuls & Forschungszentrum Jülich, Dr. Chadi Barakat
