2025 Jänner - Lorenz Kapral

Dipl.-Ing. Lorenz Kapral

MedUni Wien RESEARCHER OF THE MONTH, Jänner 2025

Die Jury „Researcher of the Month” verleiht die Auszeichnung für diesen Monat Herrn
Dipl.-Ing. Lorenz Kapral aus Anlass der im Top-Journal THE LANCET eClinicalMedicine (IF 9.6) erschienenen Arbeit „Development and external validation of temporal fusion transformer models for continuous intraoperative blood pressure forecasting“ [1]. Diese interdisziplinäre Studie entstand im Rahmen der Forschungsaktivitäten der Arbeitsgruppe Daten unter Leitung von Univ.-Prof. Dr. O. Kimberger an der Universitätsklinik für Anästhesie, Allgemeine Intensivmedizin und Schmerztherapie der Medizinischen Universität Wien (Leitung: Univ.-Prof. Dr. S. Schaller) sowie mit dem Ludwig Boltzmann Institut Digital Health and Patient Safety.

 

Künstliche Intelligenz zur präzisen Vorhersage intraoperativer Blutdruckwerte

In seiner aktuellen Publikation zeigt Dipl.-Ing. Lorenz Kapral wie mit Hilfe innovativer Machine-Learning-Ansätze – sogenannter Temporal-Fusion-Transformer (TFT) – eine bislang unerreichte Präzision in der kontinuierlichen Vorhersage des Blutdruckverlaufs während Operationen erreicht werden kann. Die Modelle analysieren hochkomplexe Datensätze, in denen unter anderem kontinuierlich gemessene Vitalparameter, Medikationsprofile, patientenspezifische Risikofaktoren und kontexsensitive Informationen zum Operationsverlauf einfließen. Durch das Erkennen subtiler Muster in Echtzeit, ist es den Modellen möglich, Ärzt:innen im Vorfeld auf potenziell kritische Situationen aufmerksam zu machen.

Diese präzisen Vorhersagen eröffnen neue Perspektiven für die Anästhesie und Intensivmedizin: Dieser Algorithmus kann Ärzt:innen dabei unterstützen, gezielt und vorausschauend Gegenmaßnahmen zu ergreifen – etwa durch die frühzeitige Anpassung von Flüssigkeits- oder Medikamentengaben. Auf lange Sicht könnte diese Technologie nicht nur Komplikationen reduzieren, sondern auch zu einer Verbesserung der perioperativen Versorgung beitragen. Durch die Integration solcher AI-Tools in den klinischen Alltag entstehen klare Vorteile für Patient:innen und medizinisches Personal: Weniger Komplikationen, präzisere Therapien und ein proaktives, datenbasiertes Management des Eingriffs.

Wissenschaftliches Umfeld

Dipl.-Ing. Lorenz Kapral verbindet aktuelle Entwicklungen im maschinellen Lernen mit der medizinischen Praxis. Gemeinsam mit Kliniker:innen der Arbeitsgruppe Daten (Leitung: Univ.-Prof. Dr. O. Kimberger), dem Ludwig Boltzmann Institute Digital Health and Patient Safety und AI-Expert:innen der TU Wien (Leitung: Associate Prof. Clemens Heitzinger) entwickelt er unter anderem Modelle, die das Risiko einer Unterkühlung während einer Operation vorhersagen [2]. Auch hier steht immer das Wohl der Patient:innen im Vordergrund: Komplikationen sollen verhindert, Behandlungen individuell gestaltet und die Genesung unterstützt werden.

Auf internationaler Ebene arbeitet Dipl.-Ing. Lorenz Kapral mit Expert:innen wie Dr. Ari Ercole (University of Cambridge) und Dr. Paul Elbers (Amsterdam UMC) zusammen. Gemeinsam verbessern sie Therapien für schwer kranke Sepsis-Patient:innen, indem sie riesige Datenmengen auswerten und daraus personalisierte Behandlungskonzepte ableiten [3]. Zudem beschäftigt er sich mit der Frage, wie man verlässliche medizinische Daten sicherstellt. Zusammen mit Kolleg:innen der AG Daten entwickelte er Verfahren, um fehlerhafte Messwerte besser zu erkennen [4].

Zur Person

Dipl.-Ing. Lorenz Kapral studierte Technische Physik an der TU Wien (BSc 2017, DI 2020) und ist derzeit PhD-Student mit Schwerpunkt Maschinelles Lernen in der Intensivmedizin. Seit 2023 ist er als Research Associate an der Universitätsklinik für Anästhesie, Allgemeine Intensivmedizin und Schmerztherapie der MedUni Wien tätig. Bereits seit 2021 forscht er am Ludwig Boltzmann Institute Digital Health and Patient Safety und war in EU- und FFG-geförderten Projekten an der Entwicklung prädiktiver Modelle zur Optimierung therapeutischer Strategien beteiligt. Auslandsaufenthalte (u.a. Loughborough, Tufts University) sowie Erfolge bei internationalen Programmierwettbewerben (1. Platz Health Data Challenge 2023, 1. Platz ESICM Datathon 2021) unterstreichen seine breite Expertise in Künstlicher Intelligenz, Big Data und High-Performance-Computing.

Ausgewählte Literatur

1. Kapral, L., Dibiasi, C., Jeremic, N., Bartos, S., Behrens, S., Bilir, A., Heitzinger, C., & Kimberger, O. (2024). Development and external validation of temporal fusion transformer models for continuous intraoperative blood pressure forecasting. eClinicalMedicine. https://doi.org/10.1016/j.eclinm.2024.102797

2. Dibiasi, C., Agibetov, A., Kapral, L., Zeiner, S., & Kimberger, O. (2023). Predicting intraoperative hypothermia burden during non-cardiac surgery: A retrospective study comparing regression to six machine learning algorithms. Journal of Clinical Medicine, 12(13), 4434. https://doi.org/10.3390/jcm12134434

3. Bologheanu, R., Kapral, L., Laxar, D., Maleczek, M., Dibiasi, C., Zeiner, S., Agibetov, A., Ercole, A., Thoral, P., Elbers, P., et al. (2023). Development of a reinforcement learning algorithm to optimize corticosteroid therapy in critically ill patients with sepsis. Journal of Clinical Medicine, 12(4), 1513. https://doi.org/10.3390/jcm12041513

4. Maleczek, M., Laxar, D., Kapral, L., Kuhrn, M., Abulesz, Y.-T., Dibiasi, C., & Kimberger, O. (2024). A comparison of five algorithmic methods and machine learning pattern recognition for artifact detection in electronic records of five different vital signs: A retrospective analysis. Anesthesiology. https://doi.org/10.1097/aln.0000000000004971

5. Hriberšek, M., Eibensteiner, F., Kapral, L., Teufel, A., Nawaz, F. A., Cenanovic, M., Siva Sai, C., Devkota, H. P., De, R., Singla, R. K., et al. (2023). "Loved ones are not ‘visitors' in a patient's life"—The importance of including loved ones in the patient’s hospital stay: An international Twitter study of #HospitalsTalkToLovedOnes in times of COVID-19. Frontiers in Public Health, 11, 1100280. https://doi.org/10.3389/fpubh.2023.1100280

6. Lintschinger, J. M., Laxar, D., Kapral, L., Ulbing, S., Glock, T., Behrens, S., Frimmel, C., Renner, R., Klaus, D. A., Willschke, H., et al. (2024). A retrospective analysis of the need for on-site emergency physician presence and mission characteristics of a rural ground-based emergency medical service. BMC Emergency Medicine. https://doi.org/10.1186/s12873-024-01062-2

7. Kapral, L., Zawisky, M., & Abele, H. (2020). Neutron radiography and tomography of the drying process of screed samples. Journal of Imaging, 6(11), 118. https://doi.org/10.3390/jimaging6110118