Skip to main content

Überwachung der Sedierung in der Endoskopie mit künstlicher Intelligenz

Monitoring of conscious sedation in endoscopy with artificial intelligence

Zusammenfassung

Die Propofolsedierung während endoskopischer Eingriffe ist ein etabliertes und weitgehend sicheres Verfahren. Insbesondere bei langen Untersuchungen, Notfällen und Komorbiditäten steigt das Risiko für Sedierungszwischenfälle jedoch sprunghaft an. Ein objektives Verfahren, um die Sedierungstiefe zu überwachen, steht bisher nicht zur Verfügung. Für die Überwachung der Narkose entwickelte Monitore basieren auf einer automatisierten Auswertung des Elektroenzephalogramms (EEG). Bisherige Untersuchungen zum Einsatz dieser Narkosemonitore für die Endoskopiesedierung konnten nicht überzeugen. Der vorliegende Artikel befasst sich mit der EEG-basierten Erfassung der Sedierungstiefe durch klassische Methoden und Ansätze künstlicher Intelligenz mit neuronalen Netzen. Dabei werden die Besonderheiten der Auswertung von Zeitreihen mit speziellen Netzwerkarchitekturen beleuchtet.

Abstract

Propofol sedation during endoscopic interventions is a well-established and generally safe procedure. However, the risk for adverse events increases considerably in long interventions, emergencies and patients with certain comorbidities. To this day, there is no objective device to monitor sedation depth. Brain monitors have been developed for general anesthesia. These devices are based on an automatic analysis of the electroencephalogram (EEG). Studies to utilize brain monitors from anesthesia in conscious sedation during endoscopy did not show any benefit. This article provides a review of EEG-based monitoring of sedation depth in conscious sedation with classic methods and neural networks. Special characteristics of time series analysis and corresponding network architectures are discussed.

This is a preview of subscription content, access via your institution.

Abb. 1
Abb. 2
Abb. 3
Abb. 4
Abb. 5

Abbreviations

AUC:

„Area under the curve“

EEG:

Elektroenzephalogramm

KI:

Künstliche Intelligenz

NAPS:

„Nurse-administered propofol sedation“

Literatur

  1. Riphaus A, Wehrmann T, Hausmann J et al (2015) Update S3-Leitlinie „Sedierung in der gastrointestinalen Endoskopie“ 2014 (AWMF-Register-Nr. 021/014) [S3-guidelines “sedation in gastrointestinal endoscopy” 2014 (AWMF register no. 021/014). Z Gastroenterol 53:802–842

    CAS  Article  Google Scholar 

  2. Dumonceau J‑M, Riphaus A, Schreiber F et al (2015) Non-anesthesiologist administration of propofol for gastrointestinal endoscopy: European Society of Gastrointestinal Endoscopy, European Society of Gastroenterology and Endoscopy Nurses and Associates Guideline—Updated June 2015. Endoscopy 47:1175–1189

    Article  Google Scholar 

  3. Rex DK, Deenadayalu VP, Eid E et al (2009) Endoscopist-directed administration of Propofol: a worldwide safety experience. Gastroenterology 137:1229–1237

    Article  Google Scholar 

  4. Qadeer MA, Vargo JJ, Khandwala F, Lopez R, Zuccaro G (2005) Propofol versus traditional sedative agents for gastrointestinal endoscopy: a meta-analysis. Clin Gastroenterol Hepatol 3:1049–1056

    CAS  Article  Google Scholar 

  5. Behrens A, Kreuzmayr A, Manner H et al (2019) Acute sedation-associated complications in GI endoscopy (ProSed 2 Study): results from the prospective multicentre electronic registry of sedation-associated complications. Gut 68:445–452. https://doi.org/10.1136/gutjnl-2015-311037

  6. Heo J, Jung MK, Lee HS et al (2016) Effects of bispectral index monitoring as an adjunct to nurse-administered propofol combined sedation during colonoscopy: a randomized clinical trial. Korean J Intern Med 31:260–266

    CAS  Article  Google Scholar 

  7. Drake LM, Chen SC, Rex DK (2006) Efficacy of Bispectral monitoring as an adjunct to nurse-administered Propofol sedation for Colonoscopy: a randomized controlled trial. Am J Gastroenterol 101:2003–2007

    Article  Google Scholar 

  8. v. Delius S, Salletmaier H, Meining A et al (2012) Bispectral index monitoring of midazolam and propofol sedation during endoscopic retrograde cholangiopancreatography: a randomized clinical trial (the EndoBIS study). Endoscopy 44:258–264

    Article  Google Scholar 

  9. Caruso ALG, Bouillon TW, Schumacher PM, Luginbuhl M, Morari M (2007) Drug-induced respiratory depression: an integrated model of drug effects on the hypercapnic and hypoxic drive. Conf Proc IEEE Eng Med Biol Soc 2007:4259–4263

    Google Scholar 

  10. Goudra B, Singh PM (2017) Failure of sedasys: destiny or poor design? Anesth Analg 124:686–688

    Article  Google Scholar 

  11. Bard JW (2001) The BIS monitor: a review and technology assessment. AANA J 69:477–483

    CAS  PubMed  Google Scholar 

  12. Kreuer S, Wilhelm W (2006) The Narcotrend monitor. Best Pract Res Clin Anaesthesiol 20:111–119

    CAS  Article  Google Scholar 

  13. Bischoff P, Schmidt G (2006) Monitoring methods: SNAP. Best Pract Res Clin Anaesthesiol 20:141–146

    CAS  Article  Google Scholar 

  14. Rampil IJ (1998) A primer for EEG signal processing in anesthesia. Anesthesiology 89:980–1002

    CAS  Article  Google Scholar 

  15. Bickford RG (1951) Use of frequency discrimination in the automatic electroencephalographic control of anesthesia (servo-anesthesia). Electroencephalogr Clin Neurophysiol 3:83–86

    CAS  Article  Google Scholar 

  16. Jordan D, Stockmanns G, Kochs EF, Schneider G (2007) Median frequency revisited: an approach to improve a classic spectral electroencephalographic parameter for the separation of consciousness from unconsciousness. Anesthesiology 107:397–405

    Article  Google Scholar 

  17. Schwilden H (2006) Concepts of EEG processing: from power spectrum to bispectrum, fractals, entropies and all that. Best Pract Res Clin Anaesthesiol 20:31–48

    Article  Google Scholar 

  18. Klare P, Sander C, Prinzen M et al (2019) Automated polyp detection in the colorectum: a prospective study (with videos). Gastrointest Endosc 89:576–582.e1

    Article  Google Scholar 

  19. Längkvist M, Karlsson L, Loutfi A (2014) A review of unsupervised feature learning and deep learning for time-series modeling. Pattern Recognit Lett 42:11–24

    Article  Google Scholar 

  20. Abdi H, Williams LJ (2010) Principal component analysis. WIREs Comp Stat 2:433–459

    Article  Google Scholar 

  21. Gareau DS, Correa da Rosa J, Yagerman S et al (2017) Digital imaging biomarkers feed machine learning for melanoma screening. Exp Dermatol 26:615–618

    CAS  Article  Google Scholar 

  22. Goldberg Y (2017) Neural network methods for natural language processing. Morgan & Claypool, San Rafael

    Book  Google Scholar 

  23. Jagannatha AN, Yu H (2016) Bidirectional RNN for medical event detection in electronic health records. Proc Conf 2016:473–482

    PubMed  PubMed Central  Google Scholar 

  24. Fan J, Li Q, Hou J, Feng X, Karimian H, Lin S (2017) A spatiotemporal prediction framework for air pollution based on deep RNN. Isprs Ann Photogramm Remote Sens Spatial Inf Sci IV-4/W2:15–22

    Article  Google Scholar 

  25. Michielli N, Acharya UR, Molinari F (2019) Cascaded LSTM recurrent neural network for automated sleep stage classification using single-channel EEG signals. Comput Biol Med 106:71–81

    Article  Google Scholar 

  26. Sun H, Ganglberger W, Panneerselvam E et al (2020) Sleep staging from electrocardiography and respiration with deep learning. Sleep. https://doi.org/10.1093/sleep/zsz306

  27. Hochreiter S, Schmidhuber J (1997) Long short-term memory. Neural Comput 9:1735–1780

    CAS  Article  Google Scholar 

  28. Chung J, Gulcehre C, Cho K, Bengio Y (2015) Gated feedback recurrent neural networks

    Google Scholar 

  29. Tonner PH, Bein B (2006) Classic electroencephalographic parameters: median frequency, spectral edge frequency etc. Best Pract Res Clin Anaesthesiol 20:147–159

    CAS  Article  Google Scholar 

  30. Koskinen M, Seppänen T, Tuukkanen J, Yli-Hankala A, Jäntti V (2001) Propofol anesthesia induces phase synchronization changes in EEG. Clin Neurophysiol 112:386–392

    CAS  Article  Google Scholar 

  31. Entropy BB (2006) Best Pract Res Clin Anaesthesiol 20:101–109

    Article  Google Scholar 

  32. Garbe J, Eisenmann S, Kantelhardt JW et al (2020) Capability of processed EEG parameters to monitor conscious sedation in endoscopy is similar to general anaesthesia. United European Gastroenterology Journal. https://doi.org/10.1177/2050640620959153

  33. Klimpel A (2020) EEG-Parameter zur Detektion der Sedierungstiefe [Bachelorarbeit. Martin-Luther-Universität Halle-Wittenberg, Halle (Saale) (http://www.physik.uni-halle.de/Fachgruppen/kantel/Bachelorarbeit_Klimpel.pdf.)

    Google Scholar 

  34. Garbe J, Kantelhardt JW, Grau J et al (2020) Artificial neural networks can detect the state of consciousness in sedation for endoscopy. United European Gastroenterol J 8(S8):729 (Abstract Issue of the 28th United European Gastroenterology Week Virtual 2020)

Download references

Danksagung

Die Autoren danken Herrn Dr. Jan Grau vom Institut für Informatik der Martin-Luther-Universität Halle-Wittenberg für die intensive und andauernde Zusammenarbeit an dem hier vorgestellten Projekt. Weiterhin danken die Autoren dem Team der Endoskopieabteilung für seine Geduld und Unterstützung und Florian Dünninghaus sowie Anne Klimpel für ihre Mitarbeit an dem Projekt.

Author information

Authors and Affiliations

Authors

Corresponding author

Correspondence to J. Garbe.

Ethics declarations

Interessenkonflikt

J. Garbe, V. Garbe, J.W. Kantelhardt, P. Michl, S. Eisenmann, J. Rosendahl und S. Krug geben an, dass kein Interessenkonflikt besteht.

Für diesen Beitrag wurden von den Autoren keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien.

Additional information

Die Autoren J. Garbe und V. Garbe teilen sich die Erstautorenschaft.

Redaktion

M. Fried, Zürich

J. Hampe, Dresden

R. Jakobs, Ludwigshafen

Rights and permissions

Reprints and Permissions

About this article

Verify currency and authenticity via CrossMark

Cite this article

Garbe, J., Garbe, V., Kantelhardt, J.W. et al. Überwachung der Sedierung in der Endoskopie mit künstlicher Intelligenz. Gastroenterologe 16, 17–24 (2021). https://doi.org/10.1007/s11377-020-00494-z

Download citation

  • Accepted:

  • Published:

  • Issue Date:

  • DOI: https://doi.org/10.1007/s11377-020-00494-z

Schlüsselwörter

  • Propofol
  • Patientenmonitoring
  • Elektroenzephalogramm
  • Methoden der Datenverarbeitung
  • Computergestützte neuronale Netze

Keywords

  • Propofol
  • Patient monitoring
  • Electroencephalogram
  • Computing methodologies
  • Computational neural networks