Förderprojekt LeRntVAD

  Urheberrecht: © IRT

Interpretierbares Generatives Maschinelles Lernen zur intelligenten Regelung von Ventricular Assist Devices

 

Motivation

Urheberrecht: © BMBF

Die zunehmende Alterung der Bevölkerung führt zu einer steigenden Anzahl an Menschen, die an einer terminalen Herzinsuffizienz leiden. Aufgrund eines Mangels an Spenderorganen löst daher die Implantation von mechanischen Herzunterstützungssystemen (engl. Ventricular Assist Device, VAD) schon heute die Herztransplantation als goldstandard Therapie der terminalen Herzinsuffizienz ab. Diese Systeme unterstützen das Herz durch einen parallelen Blutfluss. Eine (physiologische) Regelung auf Basis von Messdaten direkt aus dem Herzen könnte in Zukunft zu einer besseren Lebensqualität der betroffenen Patienten führen. Aktuelle physiologische Regelgrößen setzen eine über die Implantation der Pumpe hinausgehende Invasivität zur Einbringung weiterer Messsonden voraus. Dies macht eine baldige klinische Einführung unwahrscheinlich.

 

Projektziele und Methoden

In LeRntVAD wird ein synthetisches Simulationsmodell, auf Basis von bestehenden Versuchsdaten, für das Herz-Kreislauf-System entwickelt. Die wissenschaftliche Fragestellung stellt hier zum einen der intuitive Zugang zu generativen Modellen des maschinellen Lernens dar. Dieser wird unter anderem benötigt, damit entschieden werden kann, welche Art von synthetischen Daten generiert werden sollen. Zum anderen ist das wissenschaftliche Ziel, basierend auf den Daten eines generativen Modells, einen KI-basierten Regler für die linksseitige Herzunterstützung zu entwerfen, um die bestehenden Regler dahingehend zu erweitern, dass auf weitere invasive Messdaten verzichtet werden kann.

Das IRT beschäftigt sich schon seit vielen Jahren mit dem Entwurf von intelligenten, adaptiven und modellbasierten Reglern für Herzunterstützungssysteme. Datenbasierte Regler stellen dabei die nächste sinnvolle und erstrebenswerte Entwicklungsstufe dar. Bisher finden datenbasierte Methoden Anwendung bei der Identifikation und Modellierung. Die Integration einer solchen Methodik in den geschlossenen Regelkreis ist dabei vom höchstem Interesse. Wissenschaftliches Ziel des Projektes ist es, den entwickelten KI-Regler als Teil eines geschlossenen Regelkreises erfolgreich zu testen.

 

Projektpartner
Verbundkoordinator: RWTH Aachen, IRT - Institut für Regelungstechnik Universität Bielefeld, Lehrstuhl für Maschinelles Lernen Universitätsklinikum Aachen, Klinik für Anästhesiologie