Skip to main content
Hauptrubriken
CME Facharzt-Training Webinare Zeitschriften Bücher e.Medpedia Podcast
Service
Jobbörse Info & Hilfe
Fachgebiete
Anästhesiologie Allgemeinmedizin Arbeitsmedizin Augenheilkunde Chirurgie Dermatologie Gynäkologie und Geburtshilfe HNO Innere Medizin Kardiologie Neurologie Onkologie und Hämatologie Orthopädie und Unfallchirurgie Pädiatrie Pathologie Psychiatrie Radiologie Rechtsmedizin Urologie Zahnmedizin
Themen
Typ-2-Diabetes und Adipositas Klimawandel und Gesundheit Neues aus dem Markt Praxis und Beruf Seltene Erkrankungen GOÄ & EBM Panorama
Sammlungen
Kasuistiken Algorithmen & Infografiken Blickdiagnosen Arthropedia FlapFinder (für Dermatochirurgen) Videos Kongressberichterstattung Medizin für Apothekerinnen und Apotheker Für Ärztinnen und Ärzte in Weiterbildung Für Medizinstudierende Patientenratgeber
Erweiterte Suche
Anmelden
nach oben
Pneumo News
Erschienen in:

13.12.2024 | Künstliche Intelligenz | CME Fortbildung

Einsatzmöglichkeiten und regulatorische Fragen

Künstliche Intelligenz in der Lungenfunktionsdiagnostik

verfasst von: Prof. Dr. med. Frederik Trinkmann

Erschienen in: Pneumo News | Ausgabe 6/2024

zum CME-Kurs Einloggen, um Zugang zu erhalten

Auszug

Wenn es heute in der Pneumologie um die Diagnose und Beurteilung der Lungenfunktion geht, ist die künstliche Intelligenz nicht mehr wegzudenken: Sie unterstützt den Arzt und die Ärztin bei der Interpretation und Befundung. Auf welchen Grundlagen basiert sie? Wie sieht die Datenlage aus - und welche Anwendungen sind künftig zu erwarten? …
Literatur
1.
Das N, Topalovic M, Aerts JM, Janssens W. Area under the forced expiratory flow-volume loop in spirometry indicates severe hyperinflation in COPD patients. Int J Chron Obstruct Pulmon Dis 2019:14:409-
2.
Topalovic M, Exadaktylos V, Peeters A Computer quantification of airway collapse on forced expiration to predict the presence of emphysema. Respir Res 2013: 14(1): 131.
3.
Trinkmann F, Watz H, Herth FJF. Why do we still cling to spirometry for assessing small airway function? Eur Respir J 2020:56(1):2001071
4.
Amaral JL, Lopes AJ, Faria AC, Melo PL. Machine learning algorithms and forced oscillation measurements to categorise the airway obstruction severity in chronic obstructive pulmonary disease. Comput Methods Programs Biomed. 2015:118(2):186-97
5.
Amaral JL, Lopes AJ, Jansen JM et al. Machine learning algorithms and forced oscillation measurements applied to the automatic identification of chronic obstructive pulmonary disease. Comput Methods Programs Biomed. 2012:105(3):183-93
6.
Amaral JL, Lopes AJ, Jansen JM et al. An improved method of early diagnosis of smoking-induced respiratory changes using machine learning algorithms. Comput Methods Programs Biomed. 2013:112(3):441-54
7.
Trinkmann F, Abdo M, Kirsten A et al. Advanced lung function targeting small airway dysfunction (SAD) improves differentiation of mild COPD and smokers at risk from healthy controls - CAPTO-COPD. Eur Respir J. 2022;60(suppl 66):1400
8.
Trinkmann F, Gawlitza J, Schäfer J et al. Novel lung function tests can improve phenotyping and differential therapy in COPD. Eur Respir J. 2019;54(suppl 63):PA3379
9.
Topalovic M, Das N, Burgel PR et al. Artificial intelligence outperforms pulmonologists in the interpretation of pulmonary function tests. Eur Respir J. 2019;53(4):1801660
10.
Das N, Happaerts S, Gyselinck I et al. Collaboration between explainable artificial intelligence and pulmonologists improves the accuracy of pulmonary function test interpretation. 2023;61(5):2201720
11.
Das N, Verstraete K, Stanojevic S et al. Deep-learning algorithm helps to standardise ATS/ERS spirometric acceptability and usability criteria. Eur Respir J. 2020;56(6):2000603
12.
Warnking RP, Scheer J, Becker F et al. Designing interactive visualizations for analyzing chronic lung diseases in a user-centered approach. J Am Med Inform Assoc. 2024:31(11):2486-95
13.
Gladden LB, Yates JW, Stremel RW, Stamford BA. Gas exchange and lactate anaerobic thresholds: inter- and intraevaluator agreement. J Appl Physiol (1985). 1985;58(6):2082-9
14.
Ekkekakis P, Lind E, Hall EE, Petruzzello SJ. Do regression-based computer algorithms for determining the ventilatory threshold agree? J Sports Sci. 2008:26(9):967-76
15.
Zignoli A. Machine Learning Models for the Automatic Detection of Exercise Thresholds in Cardiopulmonary Exercising Tests: From Regression to Generation to Explanation. Sensors (Basel). 2023;23(2):826
16.
Inbar O, Inbar O, Reuveny R et al. A Machine Learning Approach to the Interpretation of Cardiopulmonary Exercise Tests: Development and Validation. Pulm Med. 2021;2021:5516248
17.
Sharma Y, Coronato N, Brown DE. Encoding Cardiopulmonary Exercise Testing Time Series as Images for Classification using Convolutional Neural Network. Annu Int Conf IEEE Eng Med Biol Soc. 2022;2022:1611-4
18.
Gawlitza J, Sturm T, Spohrer K et al. Predicting Pulmonary Function Testing from Quantified Computed Tomography Using Machine Learning Algorithms in Patients with COPD. Diagnostics (Basel). 2019;9(1):33
19.
Stolz D, Mkorombindo T, Schumann DM et al. Towards the elimination of chronic obstructive pulmonary disease: a Lancet Commission. Lancet. 2022;400(10356):921-72
Metadaten
Titel
Einsatzmöglichkeiten und regulatorische Fragen
Künstliche Intelligenz in der Lungenfunktionsdiagnostik
verfasst von
Prof. Dr. med. Frederik Trinkmann
Publikationsdatum
13.12.2024
Verlag
Springer Medizin
Erschienen in
Pneumo News / Ausgabe 6/2024
Print ISSN: 1865-5467
Elektronische ISSN: 2199-3866
DOI
https://doi.org/10.1007/s15033-024-4107-6

Weitere Artikel der Ausgabe 6/2024

Erstes Kombi- Präparat verfügbar

High-intensity Beatmung reduziert die Intubationsnotwendigkeit

Malnutrition als Indikator für eine baldige Wiederaufnahme

Biologika werden zu selten eingesetzt

Experten fordern ILD-Screening

Tabakentwöhnung als Herausforderung: Mit technischen Hilfen zur Abstinenz