Flugmedizinische Risikostratifizierung – gestern, heute, morgen

Aeromedical Risk Stratification – Yesterday, Today, Tomorrow

Norbert Güttler^a, Claus Christoph Otto^a, Stefan Sammito^a,b

^a Zentrum für Luft- und Raumfahrtmedizin der Luftwaffe, Köln

^b Bereich Arbeitsmedizin der Medizinischen Fakultät der Otto-von-­Guericke-Universität, Magdeburg

Zusammenfassung

Das fliegende Personal der Bundeswehr ist hohen physischen und psychischen Belastungen ausgesetzt. Gesundheitliche Eignung und körperliche Fitness sind deshalb von entscheidender Bedeutung. Medizinisch bedingte Handlungseinschränkungen während des Fluges würden zu einer Gefährdung der Flugsicherheit und effektiver Auftragsdurchführung führen. Das fliegende Personal wird deshalb vor Beginn der Berufsausübung und in festgelegten Abständen während der gesamten fliegerischen Karriere medizinisch untersucht.

Bei der Feststellung von Gesundheitsstörungen muss dabei eine Risikostratifizierung durchgeführt und eine flugmedizinische Entscheidung getroffen werden, die tauglich, tauglich mit Einschränkungen oder untauglich lauten kann. Das älteste breit angewendete Modell für eine solche Risikostratifizierung ist die 1 %-Regel, wonach das Risiko für eine Handlungsunfähigkeit während des Fluges durch eine Gesundheitsstörung nicht höher als 1 % pro Jahr sein darf. Diese Regel weist einige Schwächen auf, ist aber mangels besserer Alternativen weiterhin im Gebrauch. Daneben werden heute mehrere Risikomatrizes angewendet. Das spezifische Risiko einzelner Gesundheitsstörungen muss aus Angaben der Fachliteratur und spezifischen Vorhersagemodellen entnommen werden. Seit einigen Jahren werden auch Einsatzmöglichkeiten der Künstlichen Intelligenz, insbesondere des Machine Learning, auf ihre Anwendbarkeit hinsichtlich der Vorhersage potenzieller Gesundheitsrisiken hin überprüft. Die entsprechenden Modelle und deren Anwendung müssen aber noch weiter optimiert werden, um einen substanziellen Beitrag zur gesundheitlichen Risikostratifizierung bei fliegendem Personal leisten zu können.

Schlüsselwörter: fliegendes Personal, flugmedizinische Begutachtung, Risikostratifizierung, 1 %-Regel, Risikomatrix, künstliche Intelligenz, Machine Learning.

Summary

Military aircrew members are facing high physical and psychological challenges. Therefore, appropriate healthconditions and physical fitness are of utmost importance. Incapacitation during flight caused by medical events would jeopardize flight safety and the effectiveness of a mission. Therefore, aircrew must undergo aeromedical assessments before employment and, after defined time intervals, throughout their flying career.

If a medical condition is diagnosed, a risk assessment must be performed and an aeromedical decision must be made, which could be fit for flying, fit with restrictions, or unfit for flying. One of the oldest and most widely used models for risk assessment is called the 1 % rule, which states that the risk of an incapacitating medical event in flight should not exceed 1 % per year. Despite some shortages, this rule is still in use due to a lack of better alternatives. In addition, risk matrices are used to visualize the severity and probability of a medical event. The risk of a specific medical event must be obtained from the literature or from appropriate risk prediction models. For several years, the usefulness of artificial intelligence, especially machine learning, for predicting health hazards has been evaluated. However, these models and their applicability need further optimization to substantially contribute to medical risk stratification in aircrew.

Keywords: aircrew; aeromedical assessment; risk stratification; 1 % rule; risk matrix; artificial intelligence; machine learning

Einleitung

Das fliegende Personal der Bundeswehr versieht seinen Dienst in einem einzigartigen und anspruchsvollen Arbeitsumfeld, das je nach Flugzeugmuster mit besonderen Belastungen verbunden ist. So sind Besatzungen von Kampfjets beispielsweise hohen Beschleunigungskräften (G-Kräften) und einer hypobaren Hypoxie ausgesetzt, Hubschrauberpiloten unterliegen unter anderem Vibrationskräften sowie zusätzlichem Gewicht bei der Fliegersonderausstattung (z. B. Helm mit Nachtsichtbrille). Langstreckenflüge in Transportflugzeugen bergen das Risiko von Ermüdungserscheinungen (Fatigue) während des Fluges, die durch mögliche Zeitzonenverschiebungen noch verstärkt werden. In all diesen Luftfahrzeugen sind die Besatzungen aber insbesondere bei taktischer Fliegerei und unter Einsatzbedingungen höchsten geistigen Anforderungen, unter Umständen in einem Bedrohungsszenario durch Waffenwirkung des Gegners, ausgesetzt [16]. Daraus resultieren hohe Anforderungen an die Gesundheit und die körperliche Fitness der Besatzungen, um zum einen die Flugsicherheit nicht zu gefährden, zum anderen aber auch eine effektive Durchführung des Einsatzauftrags sicherzustellen. Eine eingeschränkte Handlungsfähigkeit fliegenden Personals kann eine Selbst- und/oder Fremdgefährdung zur Folge haben.

Die Überwachung des Gesundheitszustandes durch eine gründliche Untersuchung vor Beginn der fliegerischen Karriere, aber auch durch regelmäßige Untersuchungen während des gesamten fliegerischen Berufslebens, sogenannte Periodic Medical Examinations (PME), ist daher von entscheidender Bedeutung und wird gesetzlich vorgeschrieben [1][4].

Untersuchung auf Wehrfliegerverwendungsfähigkeit (WFV)

Bei der Bundeswehr werden PME als WFV-Untersuchungen bezeichnet. Diese haben nicht nur das Ziel, Krankheiten frühzeitig zu erkennen und deren Fortschreiten zu verhindern (Sekundärprävention), sondern auch Gesundheitsrisiken zu erkennen und so zu reduzieren, dass Krankheiten möglichst gar nicht erst entstehen (Primärprävention). Im Rahmen der Tertiärprävention soll der Gesundheitszustand bei einer eingetretenen Erkrankung möglichst schnell wiederhergestellt werden, Krankheitsverschlechterungen sollen vermieden und Folgeschäden begrenzt oder verhindert werden. Weiterhin geht es um eine Risikostratifizierung im Hinblick auf die fliegerische Tätigkeit und damit um die Entscheidung, ob das Personal für den fliegerischen Dienst tauglich, tauglich mit Einschränkungen oder untauglich ist. Dabei sind naturgemäß sowohl die Interessen der Bundeswehr als auch die des/der Betroffenen tangiert.

Flugmedizinische Risikostratifizierung –
eine Herausforderung

Die Aufgabe der flugmedizinischen Risikostratifizierung kann sehr anspruchsvoll sein, weil die wissenschaftliche Evidenz für solche Fragestellungen überschaubar ist. Das zu untersuchende fliegende Personal ist in den meisten Fällen asymptomatisch und der Altersdurchschnitt ist in der Regel deutlich niedriger, als dies in wissenschaftlichen Studien für entsprechende Erkrankungen der Fall ist.

In diesem Artikel sollen die historische Entwicklung der flugmedizinischen Risikostratifizierung, die gegenwärtige Praxis sowie auch künftige Möglichkeiten unter Anwendung Künstlicher Intelligenz (KI) dargestellt und diskutiert werden. Da in einem europäischen Pilotenkollektiv die häufigste Ursache für die Aberkennung der Fliegertauglichkeit in kardiovaskulären Gesundheitsstörungen besteht [20], sollen die Erörterungen in diesem Artikel am Beispiel kardiovaskulärer Erkrankungen erfolgen.

Die 1 %-Regel

Bereits 1973 wurde durch Ian Anderson, einen britischen Flugmediziner, auf dem 44. Kongress der Aerospace Medical Association (AsMA) ein Konzept vorgestellt, nach dem das akzeptierte medizinische Risiko für einen fatalen Flugunfall an das von Luftfahrtingenieuren und -ingenieurinnen akzeptierte technische Risiko angepasst werden sollte [8]. Letzteres lag damals bei einem fatalen Flugunfall auf 10 Millionen Flugstunden. Dieses Konzept wurde in Großbritannien weiterentwickelt. Auf dem ersten britischen Workshop für „Aviation Cardiology“ wurde dann von Tunstall-Pedoe die später so genannte 1 %-Regel vorgestellt [21]. Sie besagt, dass das Risiko einer plötzlichen Handlungsunfähigkeit aus medizinischen Gründen (Sudden Incapacitation) pro Jahr bei einem Piloten oder einer Pilotin nicht größer als 1 % sein sollte. Die entsprechende Herleitung basierte auf folgenden Überlegungen: In den 1980er Jahren lag die Unfallrate in der kommerziellen Fliegerei insgesamt bei etwa 0,2 pro eine Million Flugstunden. Als akzeptabler medizinischer Anteil am Gesamtrisiko wurde ein fataler Flugunfall pro 10 Millionen Flugstunden festgelegt (1 pro 10⁷ Flugstunden). Die Besatzung sollte als Teil des Systems Flugzeug nicht mehr als 10 % Anteil am Gesamtrisiko haben, und der Anteil einer medizinisch begründeten Handlungsunfähigkeit bei einem Piloten oder einer Pilotin sollte nicht mehr als 10 % aller durch die Besatzung bedingten Ursachen betragen. Die Rate eines durch eine medizinische Handlungsunfähigkeit bedingten fatalen Flugunfalls sollte danach nicht höher als eins pro 1 Milliarde Flugstunden sein (1 pro 10⁹). Die durchschnittliche Flugdauer in der kommerziellen Luftfahrt wurde damals mit einer Stunde angenommen, die kritischen Phasen des Fluges, also Start und Landung, machten 10 % dieser Zeit, also 6 Minuten, aus. Die Anwesenheit eines zweiten Piloten oder einer zweiten Pilotin, der oder die bei einer plötzlichen Handlungsunfähigkeit das Flugzeug übernehmen kann, reduziert das Risiko um den Faktor 100 (basierend auf Simulator-Daten). Aufgrund dieser Annahmen führt nur eine von 1 000 plötzlichen Handlungsunfähigkeiten eines Piloten oder einer Pilotin zu einem fatalen Flugunfall. Bei einer akzeptablen Rate von einem Flugunfall pro 10⁹ Flugstunden und der Annahme, dass nur eine von 1 000 plötzlichen Handlungsunfähigkeiten zu einem fatalen Flugunfall führt, ergibt sich eine akzeptable Rate plötzlicher Handlungsunfähigkeiten aus medizinischen Gründen von einem Ereignis pro 10⁶ Flugstunden. Da das Jahr ungefähr 10 000 Stunden hat (genau 8 760) ist die akzeptable Rate einer plötzlichen Handlungsunfähigkeit pro Jahr 1 % (10⁴x 10² = 10⁶) [8] (Abbildung 1).

Abb. 1: Kurz zusammengefasst: Herleitung der 1 %-Regel

Die Herleitung der 1 %-Regel offenbart jedoch auch ihre Schwächen:

Sie

• wurde für Piloten in einem Doppelsteuer-Cockpit in der kommerziellen Luftfahrt entwickelt,
• behandelt nur Gesundheitsstörungen in Form einer Sudden Incapacitation und
• geht von einer durchschnittlichen Flugdauer von einer Stunde aus.

Da es bis heute kein neues, allgemein akzeptiertes Modell für die flugmedizinische Risikostratifizierung gibt, ist die 1 %-Regel trotz ihrer Schwächen immer noch gültig. Es gibt aber Ansätze, je nach Rolle des Besatzungsmitglieds ein Risiko einer Sudden Incapacitation von 2 % bzw. bis zu 5 % pro Jahr zu erlauben.

Risikomatrizes

2019 wurde von der North Atlantic Treaty Organization (NATO) Human Factors and Medicine (HFM)-Research Task Group (RTG)-251 „Occupational Cardiology in Military Aircrew Working Group“ eine dreidimensionale Risikomatrix zur flugmedizinischen Risikostratifizierung publiziert [8] (Tabelle 1), die auf der Grundlage einer bereits in der kanadischen Luftwaffe verwendeten Matrix entwickelt wurde. Auf der x-Achse eines Koordinatensystems wird der zunehmende Schweregrad eines medizinischen Ereignisses (Klasse 1 bis 4) aufgetragen, auf der y-Achse die zu erwartende Häufigkeit des medizinischen Ereignisses. Die dritte Dimension der Matrix fließt in Form der unterschiedlichen Rollen der Besatzungsmitglieder ein. So ist ein medizinisches Ereignis bei einem Piloten oder einer Pilotin für die Flugsicherheit anders zu werten als bei einem anderen Besatzungsangehörigen. In dieser Risikomatrix müssen der Schweregrad und die Häufigkeit eines medizinischen Ereignisses durch den/die verantwortlichen Flugmediziner (Aeromedical Examiner [AME]) festgelegt werden. Dazu muss in der Regel auf wissenschaftliche Evidenz, Risikomodelle für bestimmte Erkrankungen etc. zurückgegriffen werden. Dagegen ist es die Aufgabe der lizensierenden Behörde oder auch des Arbeitgebers festzulegen, welches Risiko für bestimmte Tätigkeiten akzeptiert werden kann. Dies kann durch eine Farbkodierung im Sinne einer Ampelkodierung wiedergegeben werden: Grün bedeutet hier tauglich zur Ausübung der jeweiligen Lizenz, gelb tauglich nach eingehenden Beratungen eines Gremiums und ggf. mit Einschränkungen und rot bedeutet untauglich.

In der ersten Dimension (x-Achse) wird die zunehmende Schwere eines medizinischen Ereignisses unter drei verschiedenen Aspekten dargestellt. In der zweiten Dimension (y-Achse) wird die zu erwartende Häufigkeit eines Ereignisses aufgetragen. Unterschiedliche Funktionen von Besatzungsangehörigen mit unterschiedlicher Relevanz für Flugsicherheit und Einsatzdurchführung stellen die dritte Dimension dar. Die Festlegung des jeweiligen Risikos erfolgt durch den Flugmediziner, die jeweilige Akzeptanz eines Risikos wird durch die lizensierende Behörde oder den Arbeitgeber festgelegt.
Rot: Untauglich zur Ausübung der jeweiligen Lizenz, Gelb: Tauglich nach eingehender Beratung und ggf. mit Einschränkungen, Grün: Tauglich zur Ausübung der jeweiligen Lizenz (übersetzt aus [8])

Tab. 1: Modifizierte dreidimensionale Risikomatrix zur flugmedizinischen Risikostratifizierung:

Diese Risikomatrix wurde von der United States Air Force (USAF) aufgegriffen und weiter modifiziert. Die resultierende Risikomatrix wurde unter dem Titel „Aeromedical Consultation Service Medical Risk Assessment and Airworthiness Matrix“ (AMRAAM) 2023 von Mayes und Kollegen publiziert [15].

Screening und Risikoabschätzung der koronaren Herzkrankheit

Weder die 1 %-Regel noch die verschiedenen Risikomatrizes sagen verlässlich etwas darüber aus, wie hoch das Risiko für fatale oder nicht-fatale Ereignisse bei bestimmten Erkrankungen oder Krankheitsausprägungen bzw. -stadien ist. Sie geben lediglich Hinweise, wie die Flugtauglichkeit bei einem bereits bekannten Risiko zu bewerten ist. Zur Abschätzung des Risikos ist der AME deshalb auf wissenschaftliche Evidenz, Risiko-Scores im Rahmen des Screenings und, falls vorhanden, Vorhersagemodelle bei bereits diagnostizierten Erkrankungen angewiesen. Dies sei kurz am Beispiel der koronaren Herzkrankheit (KHK) erklärt, die in der Flugmedizin eine relativ häufige und besonders tückische Erkrankung ist. Sie kann auch ohne vorausgehende Symptomatik durch Ruptur einer atherosklerotischen Plaque, die häufig nicht zu einer hämodynamisch relevanten Stenose geführt hat, zu einem thrombotischen Verschluss einer Koronararterie und dadurch zu einem akuten Koronarsyndrom bis hin zum plötzlichen Herztod führen.

Zur statistischen Ermittlung der Wahrscheinlichkeit eines fatalen oder nicht-fatalen kardialen Ereignisses wird heute bei fliegendem Personal ab 40 Jahren, bei Kumulation mehrerer Risikofaktoren bereits ab 35 Jahren, ein Risiko-Score angewendet. Nach den Empfehlungen der European Society of Cardiology (ESC) wird aktuell der ­SCORE2 (Systematic Coronary Risk Estimation) bzw. SCORE2-OP (Older Persons, ab 70 Jahre) empfohlen [22]. Für Diabetiker wird der SCORE2-Diabetes angewendet [19]. Ab einem festzulegenden 10-Jahres-Risiko – meistens werden 10 % veranschlagt – ist dann eine weitere KHK-Diagnostik erforderlich, wobei heute beim fliegenden Personal der Bundeswehr die Computertomografie (CT) der Koronararterien mit CT-Angiografie eine entscheidende Rolle spielt. Im Falle bereits diagnostizierter atherosklerotischer Plaques in den Koronararterien hängt die Risikobeurteilung unter anderem vom Stenosegrad, der Anzahl der Stenosen und der Plaque-Morphologie und damit der Rupturgefährdung ab, die heute bereits recht gut im CT beurteilt werden kann. Als Maß für die Plaquelast wurde von der United States Air Force das Modell der „Aggregate Stenosis“, auch „Aggregate of Lesions“ genannt, entwickelt [5]. Dabei werden die Stenosegrade der leicht- bis mittelgradigen Stenosen aufsummiert. Eine Aggregate Stenosis von ≥ 120 % gilt als hochgradig (bei Piloten fluguntauglich), 50 bis 119 % als mittelgradig (tauglich mit Einschränkungen) und < 50 % als leichtgradig (tauglich ohne Einschränkungen).

Vorhersage von Gesundheitsrisiken mit Hilfe von Machine Learning

In jüngster Zeit gibt es Ansätze, das Risiko von Gesundheitsstörungen mit Hilfe maschineller Lernmodelle (Machine Learning, ML) vorauszusagen [17]. Diese Verfahren können unter dem Oberbegriff KI subsummiert werden. Als Grundlage für die Entwicklung von Algorithmen wurden in einer am Zentrum für Luft- und Raumfahrtmedizin der Luftwaffe durchgeführten Studie retrospektive Daten aus bereits publizierten Studien aus dem Zentrum über kardiovaskuläre Risikoprofile deutscher Militärpiloten [18], über pathologische EKG-Befunde [11], Ergebnisse des Ergometrie-Screenings beim fliegenden Personal der Bundeswehr [10] sowie über Analysen von fliegendem Personal mit Vorhofflimmern [13], mit koronarer Herzerkrankung [12] und nach Katheterablationen von Herzrhythmusstörungen [9] verwendet. In all diesen Studien wurden, soweit sinnvoll, neben demografischen Daten und geflogenen Flugzeugtypen auch diagnostische, therapeutische und präventive Strategien analysiert und die flugmedizinischen Begutachtungsergebnisse herausgearbeitet.

Nach statistischer Aufbereitung dieser Daten und Konvertierung in geeignete Formate für die Analyse wurde die Anwendbarkeit dreier verschiedener ML-Modelle evaluiert. Es wurden das „Random Forest (RF) Model“, „Long Short-Term Memory Networks (LSTM)“ und „Convolutional Neural Networks with Time-Series Image Transformation (CNN)“ untersucht.

Random Forest Model

RF, auch Zufallswald genannt, ist eine Ensemblemethode im maschinellen Lernen und findet Anwendung in Klassifikations- und Regressionsproblemen. Er basiert auf der Aggregation einer Vielzahl von Entscheidungsbäumen, die mit unterschiedlichen Teilmengen der Trainingsdaten und Merkmale trainiert werden. Diese Methode nutzt das sogenannte Bagging (Bootstrap Aggregating) und die zufällige Auswahl von Merkmalen, um die Varianz und Überanpassung einzelner Entscheidungsbäume zu reduzieren. Durch die Kombination der Ergebnisse aller Bäume mittels Mehrheitsvotum (bei Klassifikationen) oder Mittelwertbildung (bei Regressionen) erzielt der RF eine hohe Vorhersagegenauigkeit und Robustheit gegenüber Rauschen in den Daten [2]. Seine Vielseitigkeit macht ihn zu einer bevorzugten Wahl in zahlreichen Anwendungsgebieten wie Medizin- und Bioinformatik [3] sowie Finanzanalyse [7].

Long Short-Term Memory Networks

LSTM (deutsch: langes Kurzzeitgedächtnis) ist eine im Bereich der neuronalen Netze verwendete Architektur. Künstliche neuronale Netze (ANN) werden beim Maschinellen Lernen, einem Teilgebiet des Fachgebietes „Künstliche Intelligenz“ in der Informatik, eingesetzt. Das Ziel des maschinellen Lernens besteht darin, durch die Verarbeitung von Beispieldaten „Wissen“ aus „Erfahrung“ zu gewinnen. Dabei entwickeln Lernalgorithmen ein komplexes Modell, das die zugrunde liegenden Muster der Daten erfasst. Dieses Modell, das die erlernte Wissensrepräsentation enthält, kann anschließend auf neue, bislang unbekannte Daten desselben Typs angewendet werden [6]. Beim Trainieren von ANN werden Verfahren des Fehlersignalabstiegs genutzt, die man sich wie die Suche eines Bergsteigers nach dem tiefsten Tal vorstellen kann. Beim Deep Learning kann dies zu kurz greifen, da ein neuronales Netzwerk typischerweise als „deep“ betrachtet wird, wenn es mindestens fünf bis sechs Schichten umfasst. Demgegenüber verwenden moderne Architekturen oft hunderte von Schichten und ermöglichen somit eine erheblich höhere Modellkomplexität. Dies würde einem vergesslichen Bergsteiger entsprechen, der beim Abstieg im ersten besten Tal landet und sein Dorf in einem tieferen Tal nicht finden kann. LSTM-Algorithmen sind ein Ansatz, dieses Problem zu lösen, da sie sich dank ihrer speziellen Architektur Informationen über vorangegangene Schritte merken können.

Im Grundsatz besteht eine LSTM-Zelle aus drei Gates, die wie drei Unterabteile einer Zelle angesehen werden können. Jede Zelle erhält hierbei drei Eingangsinformationen und gibt drei Ausgangsinformationen an die nachfolgende Zelle ab. Das Input Gate (Eingangstor) kontrolliert, wie viele der neuen Informationen dem Zellenstatus hinzugefügt werden. Das Forget Gate (Vergessenstor) bestimmt, wie viele der Informationen aus der vorherliegenden Zelle dem Zellenstatus beigefügt werden und das Output Gate (Ausgangstor) entscheidet, wie viele Informationen des Zellenstatus als Output an die nächste Zelle weitergegeben werden. Durch diese Architektur der LSTM-Zellen ist es dem Algorithmus möglich, Informationen über mehrere Zellen weiterzugeben [14]. Ähnlich wie ein Wanderer, der basierend auf den Beobachtungen, die er während seiner Wanderung gemacht hat, pro Tal, auf einer Seite notiert und ein Teil der Informationen auf die nächste Seite überträgt, um sein Dorf zu finden.

Convolutional Neural Networks with Time-Series Image Transformation

CNN (deutsch: etwa „faltendes neuronales Netzwerk“) ist ebenfalls ein ANN. Es handelt sich um ein von biologischen Prozessen inspiriertes Konzept. CNN finden Anwendung in zahlreichen Technologien der KI, vornehmlich bei der maschinellen Verarbeitung von Bild- oder Audiodaten. Unter der Verwendung weiterer Algorithmen können CNN auch Zeitreihendaten klassifizieren [23].

Modellvergleich

Die Ergebnisse einer Studie von Otto [17] zeigen, dass das RF-Modell bei der Vorhersage der Klasse der Tauglichen gut abschnitt, bei der Klasse der Untauglichen jedoch aufgrund des Ungleichgewichts der Klassen Schwierigkeiten hatte. Das LSTM-Modell zeigt zwar eine mäßige Genauigkeit, hatte aber Probleme mit Überanpassung, Trainingsinstabilität und der genauen Klassifizierung von Minderheitsklassen. Ebenso zeigte das CNN-Modell Potenzial bei der Nutzung bildbasierter Darstellungen von Zeitreihendaten, erforderte jedoch erhebliche Anpassungen der Lernrate, der Hyperparameter und der Techniken zum Umgang mit Klassenungleichgewichten, um eine zuverlässige Leistung zu liefern. Zusammenfassend zeigen die verwendeten ML-Modelle zwar ein gewisses Potenzial, Klassifizierungsaufgaben bei komplexen und unausgewogenen Datensätzen zu bewältigen, müssen aber weiter optimiert werden. Verbesserungen in der Architektur der Modelle und in der Datenvorverarbeitung können aber dazu beitragen, die Genauigkeit, Stabilität und Generalisierung zu verbessern.

Fazit

Prävention und flugmedizinische Risikostratifizierung sind zum Erhalt von Gesundheit und psychophysischer Leistungsfähigkeit des fliegenden Personals der Bundeswehr anspruchsvolle Aufgaben der Flugmedizin. Ihre optimale Erfüllung ist unabdingbar mit der erfolgreichen Erfüllung oftmals hochkomplexer Flugaufträge verbunden, die Mensch und Maschine extremen Belastungen aussetzt.

Die flugmedizinische Risikostratifizierung orientiert sich seit vielen Jahren an der sogenannten 1 %-Regel, die zwar nach wie vor noch Anwendung findet, aber durch in Entwicklung befindliche Machine Learning-Systeme zunehmend unterstützt werden kann.

Qualifikation, Erfahrung und Lernbereitschaft der begutachtenden Flugmediziner, Offenheit im Umgang mit neuen Verfahren und Methoden und das Zusammenwirken in internationalen Kooperationen wie der NATO STO sind auch in der Zukunft die Grundpfeiler für den Beitrag der Flugmedizin zur sicheren und erfolgreichen Flugauftragserfüllung in der Bundeswehr.

Literatur

1. Acceptable Means of Compliance (AMC) and Guidance Material (GM) to Part-MED: Medical requirements for air crew. , letzter Aufruf 12. März 2025. mehr lesen
2. Breiman L: Random Forests. Machine Learning 2001; 45(1): 5-32. mehr lesen
3. Chen X, Ishwaran H: Random forests for genomic data analysis. Genomics 2012; 99(6): 323-329. mehr lesen
4. Commission Implementing Regulation (EU) 2019/27 amending Regulation (EU) No 1178/2011. , letzter Aufruf 12. März 2025. mehr lesen
5. Davenport ED, Gray G, Rienks R, et al.: Management of established coronary artery disease in aircrew without myocardial infarction or revascularisation. Heart 2019; 105(Suppl 1): s25-s30. mehr lesen
6. Döbel I, Leis M, Vogelsang M, et al.: Maschinelles Lernen: Eine Analyse zu Kompetenzen, Forschung und Anwendung. München: Fraunhofer-Gesellschaft, 2018. , letzter Aufruf 12. März 2025. mehr lesen
7. Fawagreh K, Gaber MM, Abdalla M: Pruned Random Forests for Effective and Efficient Financial Data Analytics. In: Derindere Köseoğlu S (Hrsg.): Financial Data Analytics. Cham: Springer International Publishing 2022; 225–249. mehr lesen
8. Gray G, Bron D, Davenport ED, et al.: Assessing aeromedical risk: a three-dimensional risk matrix approach. Heart 2019; 105(Suppl 1): s9-s16. mehr lesen
9. Guettler N, Nicol E, Sammito S: Return to Flying After Catheter Ablation of Arrhythmic Disorders in Military Aircrew. Aerosp Med Hum Perform 2022; 93(10): 725-733. mehr lesen
10. Guettler N, Nicol ED, Sammito S: Exercise ECG for Screening in Military Aircrew. Aerosp Med Hum Perform 2022; 93(9): 666-672. mehr lesen
11. Guettler N, Sammito S: Electrocardiographic abnormalities in medically screened German military aircrew. J Occup Med Toxicol 2021; 16(1): 37. mehr lesen
12. Guettler N, Sammito S: Coronary Artery Disease Management in Military Aircrew. Aerosp Med Hum Perform 2023; 94(12): 917-922. mehr lesen
13. Guettler N, Sammito S: Management of atrial fibrillation in German military aircrew. J Occup Med Toxicol 2023; 18(1): 13. mehr lesen
14. Hochreiter S, Schmidhuber J: Long short-term memory. Neural Comput 1997; 9(8): 1735-1780. mehr lesen
15. Mayes RS, Keirns CJ, Hicks AG et al.: USAFSAM Aeromedical Consultation Service Medical Risk Assessment and Airworthiness Matrix. Aerosp Med Hum Perform 2023; 94(7): 514-522. mehr lesen
16. Nicol ED, Rienks R, Gray G et al.: An introduction to aviation cardiology. Heart 2019; 105(Suppl 1): s3-s8. mehr lesen
17. Otto CC: Development of predictive models for early detection of reasons of unsuitability for military aircrew members by means of machine learning. Master Thesis. Helmut-Schmidt-Universität. Universität der Bundeswehr. Hamburg 2024.
18. Sammito S, Güttler N: Cardiovascular risk profiles in German Air Force pilots. BMJ Mil Health 2023; 169(2): 176-180. mehr lesen
19. SCORE2-Diabetes: 10-year cardiovascular risk estimation in type 2 diabetes in Europe. Eur Heart J 2023; 44(28): 2544-2556. mehr lesen
20. Simons R, Maire R, van Drongelen A, Valk P: Grounding of Pilots: Medical Reasons and Recommendations for Prevention. Aerosp Med Hum Perform 2021; 92(12): 950-955. mehr lesen
21. Tunstall-Pedoe H: Risk of a coronary heart attack in the normal population and how it might be modified in flyers. Eur Heart J 1984; 5(Suppl A): 43-49. mehr lesen
22. Visseren FLJ, Mach F, Smulders YM et al.: 2021 ESC Guidelines on cardiovascular disease prevention in clinical practice. Eur Heart J 2021; 42(34): 3227-3337. mehr lesen
23. Wang Z, Oates T: Encoding Time Series as Images for Visual Inspection and Classification Using Tiled Convolutional Neural Networks. In: AAAI Workshop (Hrsg.): Trajectory-based behaviour analytics: Papers from the 2015 AAAI Workshop 2015; , letzter Aufruf 12. März 2025. mehr lesen

Manuskriptdaten

Zitierweise

Güttler N, Otto CC, Sammito S: Flugmedizinische Risikostratifizierung – gestern, heute, morgen. WMM 2025; 69(5): 207-212.

DOI: https://doi.org/10.48701/opus4-469

Für die Verfasser

Oberstarzt Dr. med. Norbert Güttler

Zentrum für Luft- und Raumfahrtmedizin der Luftwaffe

Fachabteilung II

Flughafenstr. 1, 51147 Köln

E-Mail: norbertguettler@bundeswehr.org

Manuscript Data

Citation

Güttler N, Otto CC, Sammito S: [Aeromedical Risk Stratification – Yesterday, Today, Tomorrow.] WMM 2025; 69 (5): 207-212.

DOI: https:/doi.org/10.48701/opus4-469

For the Authors

Colonel (AF MC) Dr. Norbert Güttler, MD

German Air Force Centre of Aerospace Medicine

Department II

Flughafenstr. 1, D-51147 Cologne

E-Mail: norbertguettler@bundeswehr.org