Leichtgewichtiges Modell liefert Echtzeit-ABP-Schätzung auf eingebetteten Systemen
Die kontinuierliche, nichtinvasive Messung des arteriellen Blutdrucks (ABP) ist in der Intensiv- und perioperativen Versorgung unverzichtbar, da sie die kardiovaskuläre Hemodynamics ohne erhebliche Risiken überwacht. Tr…
- Die kontinuierliche, nichtinvasive Messung des arteriellen Blutdrucks (ABP) ist in der Intensiv- und perioperativen Versorgung unverzichtbar, da sie die kardiovaskuläre…
- Trotz zahlreicher Deep‑Learning‑Ansätze zur Rekonstruktion des ABP‑Waveforms aus ECG‑ und Photoplethysmogramm‑Signalen bleibt die Frage nach der Modellleistung und der R…
- In der vorliegenden Studie wurde ein schlankes sInvResUNet‑Modell entwickelt, das in Kombination mit einem kollaborativen Lernverfahren namens KDCL_sInvResUNet die Leist…
Die kontinuierliche, nichtinvasive Messung des arteriellen Blutdrucks (ABP) ist in der Intensiv- und perioperativen Versorgung unverzichtbar, da sie die kardiovaskuläre Hemodynamics ohne erhebliche Risiken überwacht. Trotz zahlreicher Deep‑Learning‑Ansätze zur Rekonstruktion des ABP‑Waveforms aus ECG‑ und Photoplethysmogramm‑Signalen bleibt die Frage nach der Modellleistung und der Rechenlast für den Einsatz auf eingebetteten Geräten weitgehend unbeantwortet.
In der vorliegenden Studie wurde ein schlankes sInvResUNet‑Modell entwickelt, das in Kombination mit einem kollaborativen Lernverfahren namens KDCL_sInvResUNet die Leistung weiter steigert. Das Modell verfügt lediglich über 0,89 Millionen Parameter und benötigt nur 0,02 GFLOPS, wodurch eine Echtzeit‑ABP‑Schätzung auf eingebetteten Systemen mit einer Inferenzzeit von lediglich 8,49 ms für einen 10‑Sekunden‑Ausgabe möglich wird.
Die Validierung erfolgte in einem großen, heterogenen perioperativen Datensatz mit 1 257 141 Datenabschnitten von 2 154 Patienten. Der Blutdruck erstreckte sich dabei von 41 mmHg bis 257 mmHg für den systolischen und von 31 mmHg bis 234 mmHg für den diastolischen Druck. Das KDCL_sInvResUNet erzielte einen mittleren Absolutfehler von 10,06 mmHg und eine mittlere Pearson‑Korrelation von 0,88 bei der Verfolgung von ABP‑Veränderungen – ein leicht besseres Ergebnis als bei größeren Modellen.
Trotz dieser vielversprechenden Resultate zeigten alle Deep‑Learning‑Modelle erhebliche Leistungsvariationen je nach Demografie und kardiovaskulären Bedingungen. Dies unterstreicht die begrenzte Generalisierbarkeit über eine so breite und vielfältige Patientengruppe hinweg.
Die Arbeit demonstriert, dass leichtgewichtige Modelle in Kombination mit kollaborativem Lernen eine praktikable Lösung für die Echtzeit‑ABP‑Überwachung auf ressourcenbeschränkten Geräten darstellen. Sie legt damit einen wichtigen Grundstein für die weitere Entwicklung von zuverlässigen, ressourcenschonenden Algorithmen in der klinischen Praxis.
Welche Linse du auf diese Meldung legen solltest
Dieses Thema ist relevant, weil es zeigt, wie sich KI-Produkte, Modelle oder Rahmenbedingungen in der Praxis verschieben.
Achte zuerst darauf, was sich fuer Nutzer, Builder oder Unternehmen konkret veraendert und ob daraus ein nachhaltiger Trend entsteht.