Neuer Ansatz: Nicht-invasive Messung des Hirndrucks mit Machine Learning

In einer wegweisenden Studie wurde ein maßgeschneiderter Machine‑Learning‑Algorithmus entwickelt, der die Subspace‑Systemidentifikation mit ranking‑beschränkter Optimierung kombiniert, um den durchschnittlichen intrakraniellen Druck (ICP) aus völlig nicht‑invasiven Signalen zu schätzen. Dabei werden arterielle Blutdruck‑, zerebrale Blutgeschwindigkeits‑ und R‑R‑Intervall‑Messungen genutzt, um zerebrale Hemodynamikmodelle zu erzeugen und die Beziehung zwischen Signalmerkmalen und Schätzfehlern zu lernen.

Die Forscher teilten die Patientendaten aus verschiedenen klinischen Settings zufällig in Trainings‑ und Testdatensätze auf. Das Ergebnis zeigte, dass bei rund 31,9 % der Testeinträge die Schätzfehler unter 2 mmHg lagen, während weitere 34,1 % Fehler zwischen 2 und 6 mmHg aufwiesen – ein deutlicher Fortschritt gegenüber bisherigen Methoden.

Die Arbeit demonstriert die Machbarkeit einer nicht‑invasiven ICP‑Messung und legt damit die Grundlage für ein sicheres, breit zugängliches Monitoring bei akuten Hirnverletzungen. Weitere Validierungen und technische Optimierungen sind jedoch erforderlich, bevor die Methode im klinischen Alltag eingesetzt werden kann.